Você está na página 1de 127

Métodos Quantitativos Aplicados

A Casos Reais
Métodos Quantitativos
Aplicados
A Casos Reais

Marco Aurélio Carino Bouzada


© 2013, Elsevier Editora Ltda.

Todos os direitos reservados e protegidos pela Lei 9.610 de 19/02/98. Nenhuma parte deste livro, sem
autorização prévia por escrito da editora, poderá ser reproduzida ou transmitida sejam quais forem os
meios empregados: eletrônicos, mecânicos, fotográficos, gravação ou quaisquer outros.

Copidesque: Edna da Silva Cavalcanti


Editoração Eletrônica: Thomson Digital
Revisão Gráfica: Lara Alves

Elsevier Editora Ltda.


Conhecimento sem Fronteiras

Rua Sete de Setembro, 111 – 16o andar


20050-006 – Centro – Rio de Janeiro – RJ – Brasil

Rua Quintana, 753 – 8o andar


04569-011 – Brooklin – São Paulo – SP

Serviço de Atendimento ao Cliente


0800-0265340 sac@elsevier.com.br

ISBN: 978-85-352-6808-9
ISBN (versão eletrônica): 978-85-352-7221-5

Nota: Muito zelo e técnica foram empregados na edição desta obra. No entanto, podem ocorrer erros
de digitação, impressão ou dúvida conceitual. Em qualquer das hipóteses, solicitamos a comunicação
ao nosso Serviço de Atendimento ao Cliente, para que possamos esclarecer ou encaminhar a questão.
Nem a editora nem o autor assumem qualquer responsabilidade por eventuais danos ou perdas a pessoas
ou bens, originados do uso desta publicação.

CIP-BRASIL. CATALOGAÇÃO NA PUBLICAÇÃO


SINDICATO NACIONAL DOS EDITORES DE LIVROS, RJ

M552

   Métodos quantitativos aplicados a casos reais / Corso Jansen ... [et al.] ; Marco
Aurélio Bouzada (coordenador). - 1. ed. - Rio de Janeiro : Elsevier, 2013.
   256 p. : il. ; 23 cm.

ISBN 978-85-352-6808-9

   1. Processo decisório. 2. Administração - Metodologia. 3. Pesquisa quantitativa. I.


Jansen, Corso. II. Bouzada, Marco Aurélio.

13-00565         CDD: 658.403


            CDU: 005.22
29/04/2013 29/04/2013
Dedicatória

Dedico este trabalho aos meus pais, Héctor e Lenise, sem


os quais minha moral e educação certamente teriam
seguido um caminho que não teria me trazido até aqui,
à minha esposa Caroline e ao meu filho Gabriel.

Marco Aurélio Carino Bouzada


Apresentação

Atualmente, as empresas estão muito preocupadas com a redução de custos. Tornar


suas operações mais eficientes é um caminho potencialmente capaz de atingir esse
objetivo. Para que a eficiência operacional seja alcançada, no entanto, muitas decisões
precisam ser tomadas pelo nível gerencial da empresa. Algumas dessas decisões são
críticas e suas consequências podem ser formidáveis ou desastrosas no que diz res-
peito à eficiência da operação.
A busca pelas decisões ótimas nem sempre é um processo simples, mas muitas
vezes é encarado como tal, carecendo, em boa parte do emprego de um cientificismo
maior. O processo de tomada de decisão é, frequentemente, apoiado apenas pela
experiência profissional e intuição do decisor. Desta forma, é de suma importância
pesquisar, analisar, criticar, desenvolver e aplicar ao cotidiano operacional das em-
presas métodos quantitativos de previsão e de apoio à busca pelas decisões ótimas,
que objetivam complementar (e não substituir!) a experiência profissional e a intuição
do tomador de decisão.
Em outras palavras, é vital explorar ferramentas capazes de embasar as decisões
operacionais a serem tomadas pelo administrador, assim como justificá-las e comunicá-
las para toda a empresa. Nesse sentido, o avanço das tecnologias computacionais
pode facilitar ainda mais a aplicação de métodos quantitativos de previsão e de apoio
à tomada de decisão.
Pois a proposta deste livro é justamente explorar essas ferramentas. Para tal, a obra é
dividida em duas partes: métodos de apoio à tomada de decisão e métodos de previsão.
Em ambas, cada capítulo apresenta um método diferente, com uma revisão conceitual
e o passo a passo de sua aplicação a algum caso prático, além da apresentação e dis-
cussão de resultados, com as respectivas planilhas de implementação.
Na Parte I, a Programação Linear, as Árvores de Decisão e a Simulação de Mon-
te Carlo são apresentadas teoricamente e aplicadas a problemas reais na área de
Administração. O último capítulo dessa parte realiza uma análise comparativa destas
metodologias em relação a outro problema real.
A Parte II consiste em dois capítulos que aplicam a Regressão Múltipla (com
variáveis dummy) a problemas reais de previsão na área de negócios, e um tutorial (com
texto e planilha) sobre um complexo método de séries temporais, a Decomposição
Clássica.
Este trabalho é destinado a alunos, professores e pesquisadores dos cursos de
graduação, pós-graduação e politécnico em Administração, Engenharia de Produção e
Logística, inserindo-se perfeitamente como livro-texto para disciplinas como Métodos
Quantitativos, Métodos Quantitativos Aplicados e Métodos de Apoio à Decisão. Pode
ser também utilizado como bibliografia complementar para disciplinas como Previsão
de Vendas, Análise de Decisões, Pesquisa Operacional e Otimização em Sistemas
Logísticos.
vii
viii Apresentação

Os profissionais de mercado também podem usufruir dessa obra para consultas


visando aplicações próprias. Analistas de Logística, Inteligência de Marketing e de
Planejamento podem encontrar grande utilidade na leitura desta obra para a realização
de suas atividades de transportes, previsão de vendas e dimensionamento de equipes.
Desta forma, este trabalho procura preencher uma lacuna existente na interface
entre a academia e o mundo dos negócios, apresentando, além do arcabouço teórico,
pesquisas acadêmicas (e seus resultados!) recentes na área, totalmente aplicadas e em
linha com as metodologias abordadas.

Marco Aurélio Carino Bouzada


Organizador
Fevereiro de 2013
Parte I

Métodos de apoio
à tomada de decisão
Os métodos de apoio à tomada de decisão podem ajudar as empresas a, por
exemplo:

● decidir que tipo de tecnologia utilizar para a obtenção de um novo produto,


considerando os riscos envolvidos e as consequências potenciais de cada
alternativa;
● designar elementos de uma equipe para a realização de diversas tarefas de

forma otimizada;
● optar pela modalidade de seguro mais interessante em face dos riscos ineren-

tes ao negócio e aos custos e das recompensas referentes a cada alternativa


considerada;
● alocar recursos em diferentes opções de mídia de forma eficiente;

● dimensionar corretamente a produção de determinado item, tendo em mente

a flutuação natural da demanda e eventuais custos de sobra e de falta in-


corridos;
● decidir onde instalar uma antena de transmissão, levando em conta o que

pode acontecer se cada um dos possíveis locais for escolhido.

Obviamente, tais decisões podem ser tomadas sem o auxílio de um método de


apoio e, lamentavelmente, o são com alguma frequência. Quando isso acontece,
no entanto, muitas vezes as consequências de tais decisões tomadas de forma
intuitiva ou baseada apenas na experiência profissional do gestor podem ser
desastrosas:

● a tecnologia escolhida pode não ser a mais indicada para o caso, resultando
em custos associados muito maiores que os ganhos;
● funcionários podem ser alocados a tarefas de forma que elas sejam realizadas

em um período muito maior do que o necessário;


● o seguro escolhido, por ser o mais barato, pode não cobrir satisfatoriamente

os riscos da operação de uma empresa;


2 PARTE | I  Métodos de apoio à tomada de decisão

● as mídias escolhidas para a alocação de recursos podem alcançar uma


quantidade insatisfatória de potenciais consumidores;
● o mal dimensionamento da produção pode fazer com que um item fique

“encalhado” no estoque;
● o local escolhido para a instalação de uma antena pode ser, tecnicamente,

o mais interessante, mas proibitivamente caro.

Justamente por isso, acaba se tornando um gestor diferenciado aquele que


procura minimizar a ocorrência de consequências como as descritas anterior-
mente, com a utilização de métodos quantitativos para subsidiar a tomada de
decisão empresarial. Tais métodos não têm como objetivo substituir o feeling
e o bom senso do tomador de decisão; apenas complementá-los, dando apoio
ao processo.

Os métodos quantitativos de apoio à tomada de decisão (que são o objeto


desta Parte I) podem ser divididos em dois tipos: os determinísticos e os não
determinísticos (estes últimos podendo ser subdivididos em probabilísticos e
não probabilísticos).

Os métodos determinísticos só podem ser usados satisfatoriamente nas chamadas


decisões em condições de certeza (quando não há dúvida a respeito dos valores
das variáveis relevantes). O representante clássico é a Programação Linear, cujo
caso particular (Programação Inteira) é explorado no Capítulo 1, que apresenta
uma tentativa de solucionar um problema característico de logística da Marinha
do Brasil: a alocação, o transporte e a distribuição de gêneros frigorificados para
as Organizações Militares.

Já os métodos não determinísticos não probabilísticos são adequados para as de-


cisões em condições de incerteza, que ocorrem quando não se tem praticamente
nenhuma informação a respeito de algumas variáveis relevantes, a não ser os
seus possíveis valores de ocorrência (mas sem as respectivas probabilidades). As
alternativas mais utilizadas em tais situações são os critérios Maximax, Maximin
e Minimax.

Por fim, os métodos probabilísticos podem ser aplicados em situações consi-


deradas no meio do caminho entre as condições de certeza e as condições de
incerteza: as decisões em condições de risco – quando não se sabe ao certo os
valores de algumas variáveis relevantes, mas são conhecidas as suas distribuições
de probabilidades. Em tais situações, dois dos métodos mais utilizados são a
Árvore de Decisão e a Simulação.

Quando há diferentes momentos em que é necessária uma tomada de decisão,


com ocorrência de eventos probabilísticos entre eles, a Árvore de Decisão é
mais recomendada. O Capítulo 2 usa esta metodologia para avaliar a escolha
de um fornecedor sob condições de risco.
PARTE | I  Métodos de apoio à tomada de decisão 3

Se, no entanto, a situação compreende muitas complexidades a serem modeladas


e/ou não se está preocupado apenas com a decisão ótima, mas também com o
desempenho do sistema como um todo em face de cada uma das alternativas
de decisão, então a Simulação é mais adequada.

Tal ferramenta é utilizada no Capítulo 3 para verificar se a intermodalidade de


transporte é uma alternativa viável no processo de escoamento de arroz.

O Capítulo 4, o último da Parte I, utiliza como pano de fundo um problema real


de determinação do mix de projetos de consultoria para comparar a adequação
de todas estas metodologias citadas: Programação Linear (de fato, o seu caso
particular, a Programação Binária), critérios Maximax, Maximin e Minimax,
Árvore de Decisão e Simulação.
Capítulo 1

A aplicação da Programação Inteira


na solução logística do transporte
de carga na Marinha do Brasil
Ricardo França Santos
MADE/UNESA

Eugênio Corrêa de Souza Junior


MADE/UNESA

Marco Aurélio Carino Bouzada


MADE/UNESA

Objetivos de aprendizagem do capítulo


● Saber modelar um problema real em termos determinísticos.
● Entender o conceito de variáveis de decisão, função-objetivo e restrições
em um modelo de Programação Linear.
● Aprender a usar o Solver do Excel para otimizar modelos de Programação Linear.
● Entender as peculiaridades da Programação Inteira e da Programação Binária.
● Conhecer algumas das limitações do Solver do Excel na busca pela solução ótima.

INTRODUÇÃO
A Marinha do Brasil realiza suas atividades de abastecimento por meio de um sistema
constituído por órgãos de distribuição, processos e recursos de qualquer natureza,
interligados e interdependentes, estruturado com a finalidade de prover gêneros neces-
sários à manutenção das Organizações Militares (OMs). Para isso conta com depósitos
primários, depósitos secundários e depósitos regionais.
Dentre os depósitos regionais existe o Depósito de Subsistência da Marinha no
Rio de Janeiro (DepSubMRJ), criado em 1955, cuja missão é executar as tarefas de
receber, periciar, estocar, controlar e fornecer gêneros alimentícios, a fim de contribuir
para a prontidão operativa dos Meios Navais, Aeronavais, Fuzileiros Navais e demais
Organizações Militares da Marinha.

5
6 PARTE | I  Métodos de Apoio à Tomada de Decisão

Em relação à função logística de transporte, diversos requisitos devem ser atendidos


pelo DepSubMRJ, principalmente em relação à temperatura da carga e do veículo, as-
sim como em relação a outras características deste último, como estado de conservação,
de higiene e de segurança.
O DepSubMRJ dispõe de um número limitado de veículos de transporte de cargas
que atendem a esses requisitos, que nem sempre estão disponíveis devido a problemas
mecânicos ou ausência de motoristas.
A frota de veículos é constituída de caminhões leves e ágeis que carregam cargas
menores, e de caminhões pesados para cargas maiores e percursos mais longos. A dis-
tribuição da frota é realizada de modo empírico, baseada na experiência e competência
dos profissionais, a partir das quais é produzida uma programação semanal, sustentada
em fatores como demanda, localização do destinatário, condições de acesso, distância,
disponibilidade do motorista e consumo de combustível, entre os principais fatores.
Por outro lado, existe uma demanda, por parte das OMs, no que tange aos gêneros
frigorificados, que necessitam ser atendidos por essa frota. A programação semanal
atende tanto às OMs na Cidade do Rio de Janeiro como às das cidades próximas. As
entregas são realizadas de segunda-feira a sexta-feira, inclusive feriados. Na Tabela 1.1
estão listados os custos fixos e variáveis da operação.
Na Tabela 1.2 estão registrados os valores mínimo e máximo de entrega diária.
Na Tabela 1.3 podem ser observadas a distância e a demanda semanal de cada OM.
O transporte representa um significativo custo logístico por parte das empresas,
absorvendo de um a dois terços do total. Quando realizado por frota e equipamentos
próprios, pode propiciar melhor desempenho operacional, maior disponibilidade e

TABELA 1.1 Custos fixos e variáveis

Custos fixos (em R$/mês) Custos variáveis (em R$/km)


Depreciação do veículo – 13.500,00 Manutenção – 2,25

Licenciamento e seguro – 2.025,00 Combustível – 1,00

Reserva para seguro – 1.600,00 Lubrificação – 0,05

Salários (motorista e ajudante) – 22.500,00 Pneus – 0,20

TABELA 1.2 Entrega mínima e máxima por dia (em toneladas)

Segunda Terça Quarta Quinta Sexta


Entrega mínima 31 25 37 29 13

Entrega 45 32 43 33 38
máxima
Capítulo | 1 A aplicação da Programação... 7

TABELA 1.3 Distância e demanda semanal de cada OM

OM Demanda semanal (em t) Distância (em km)


Alfa 8 12

Bravo 15 5

Charlie 16 140

Delta 18 160

Echo 20 15

Foxtrot 26 10

Golf 19 180

Hotel 14 06

India 16 25

Juliet 13 20

capacidade de transporte e gerar custos menores. Isto geralmente é possível quando o


volume de carga é elevado, sendo mais econômico possuir um serviço de transporte
próprio do que contratá-lo. Por outro lado, nem sempre isso é possível devido às
exigências de requisitos especiais, tais como entrega rápida com confiabilidade muito
elevada, indisponibilidade de algum equipamento especial, manuseio especial da carga
ou um serviço que deva estar disponível quando necessário.1
Na análise realizada neste capítulo, será considerado apenas o serviço de transporte
por frota própria, em que os custos fixos e variáveis são perfeitamente conhecidos.
O gerente de tráfego de carga do DepSubMRJ é responsável pela decisão de utiliza-
ção da frota, em que menores custos e melhor desempenho na entrega são perseguidos.
A montagem do plano de rota é um problema encontrado para direcionar os
veículos através das diversas vias. O cálculo da rota pode ser feito pela mínima dis-
tância, pelo mínimo tempo ou por uma combinação de ambos. Além disso, o custo
total é dependente não só do custo do transporte, mas também do custo de estocagem.2
Por outro lado, as empresas estocam produtos visando à melhoria da compensação
entre oferta e demanda, além de diminuir seus custos totais. Neste sentido, os custos de
armazenagem e manuseio de materiais podem ser justificados pela redução dos custos
de transporte e de produção, pois os estoques podem reduzir os custos de transporte
ao permitir que quantidades maiores e mais econômicas de carga sejam transportadas.
A questão que surge, então, é como obter, de forma determinística, a configuração
ótima de carga e de trajeto da frota de caminhões, de modo a se obter o menor custo
na distribuição de suprimentos da Marinha?

1. Ballou (2006).
2. Ballou (2008).
8 PARTE | I  Métodos de Apoio à Tomada de Decisão

Para atacar o problema, foi usada a abordagem da Programação Linear Inteira,


cujo arcabouço teórico está brevemente resumido a seguir.

PROGRAMAÇÃO LINEAR
A Programação Linear (PL) tem sido bastante utilizada desde a década de 1940 pelos
militares e, até hoje, muitas empresas se beneficiam do seu uso. Segundo pesquisa da
revista Fortune, 85% das empresas já utilizaram ou utilizam a Programação Linear. A
PL teve como um de seus inventores George B. Dantzig, que descobriu o algoritmo
Simplex, mecanismo matemático utilizado para resolver os problemas da PL, a qual
serviu de base para outras ferramentas gerenciais tais como a Programação Não Linear,
a Programação Inteira e outras técnicas de otimização. Outro matemático, Leonid G.
Khanchian, descobriu o algoritmo de tempo polinomial, que teoricamente é superior
a algoritmos polinomiais, como o algoritmo Simplex. Outros algoritmos mais rápidos
foram descobertos mais tarde, como o algoritmo de Karmarkar.3
Todo modelo de Programação Linear tem duas características importantes: uma
função-objetivo, a ser maximizada ou minimizada, e as restrições. Esse modelo de
otimização restrito fornece meios de solucionar problemas em que os recursos são
escassos de modo a otimizar um objetivo de interesse.4
O algoritmo Simplex utiliza uma série de definições e conceitos associados, entre
os quais a definição de solução básica, o conceito de variável básica e não básica e
a definição de solução básica viável. Uma solução viável é aquela que pode ser im-
plementada considerando-se que os valores das variáveis de decisão estão de acordo
com as restrições.5
O Simplex é o mesmo algoritmo utilizado nos softwares específicos para a solução
de problemas de PL e caminha de uma solução viável para outra, diminuindo o valor da
função-objetivo até o ponto ótimo ser alcançado. Esse algoritmo é simples e resolve uma
gama de problemas e modelos do mundo real, gerando uma grande economia de recursos.6
Para m equações e n variáveis existem no máximo n!/m!(n-m)! soluções básicas.
Ainda assim, o método Simplex geralmente converge para a solução ótima em apro-
ximadamente 3m/2 iterações.7
Em relação às restrições da utilização do algoritmo Simplex, são conhecidos os
problemas de escala quando existem muitos cálculos numéricos e a variabilidade entre
o maior e o menor número é muito grande, causando problemas de cálculo numérico.
Outros problemas dizem respeito às: (i) soluções inexistentes – quando não há solução
que satisfaça as restrições; (ii) soluções ilimitadas – quando o algoritmo não consegue
encontrar um ponto de máximo em um problema de maximização ou de mínimo num
problema de minimização; e (iii) soluções múltiplas – quando mais de uma solução
satisfaz todas as restrições e alcança um valor extremo da função-objetivo.8

3. Moore; Weatherford (2005).


4. Moore; Weatherford (2005).
5. Colin (2007).
6. Colin (2007).
7. Colin (2007).
8. Colin (2007).
Capítulo | 1 A aplicação da Programação... 9

O algoritmo Simplex não resolve qualquer problema de PL. Quando todas as


variáveis são estritamente positivas nas soluções básicas viáveis, estamos diante de
um problema conhecido como não degenerado. Em outras palavras, se uma ou mais
das variáveis básicas numa solução têm o valor zero, a solução é denominada solução
básica degenerada. A degeneração traz consigo problemas de convergência do algo-
ritmo, sendo difícil identificar a solução ótima. Geralmente, os softwares utilizados
no mercado, tais como o Solver, já tratam dessas particularidades, de forma invisível
para o usuário.9
A Programação Inteira (PI) surgiu como um caso particular da PL, quando na
resolução dos problemas havia a necessidade de uso de variáveis inteiras. O nível de
dificuldade para resolução de problemas de PI é similar ao da resolução de problemas
com PL, porém, enquanto estas possuem um espaço infinito de soluções, aquelas pos-
suem um espaço finito de soluções, o que implica que a solução de PL seja mais fácil
que a solução de PI.10

A PROGRAMAÇÃO DE VEÍCULOS SEM A PROGRAMAÇÃO INTEIRA


Atualmente, a distribuição da frota é realizada de modo empírico, baseada na expe-
riência e competência dos profissionais envolvidos nessa tarefa. O objetivo da análise
apresentada neste capítulo consiste em programar, de forma eficaz, a alocação de
veículos frigoríficos do DepSubMRJ, atendendo às demandas semanais e minimizando
os custos de distribuição. Existe uma programação semanal que atende tanto às OMs
na Cidade do Rio de Janeiro quanto às cidades próximas. As entregas são realizadas de
segunda-feira a sexta-feira, inclusive feriados. Como restrições, há uma programação
de demanda e percursos em distância a percorrer para atender cada OM. A frota de
veículos frigoríficos é constituída por caminhões de capacidades diferenciadas (14t,
8t e 3t), o que caracteriza a capacidade e a agilidade do caminhão no percurso. Os
custos fixos e variáveis do transporte, a demanda semanal de cada OM e o valor
máximo e mínimo de entrega diária levantados junto à instituição foram apresentados
nas Tabelas 1.1 a 1.3).

A PROGRAMAÇÃO DE VEÍCULOS COM A PROGRAMAÇÃO


INTEIRA
Para resolver a questão proposta foi utilizada a ferramenta Solver do Excel, bus-
cando-se obter a programação que importasse menor custo possível. Como primeiro
passo foi necessário identificar os fatores/variáveis que influenciavam diretamente no
custo envolvido na distribuição de suprimentos da Marinha. A partir dessa primeira
análise, chegou-se, então, a algumas premissas.
A primeira diz respeito à composição do custo total, que engloba o custo fixo, que
não se altera, e o custo variável, que sofre influência de acordo com a programação
executada. Neste caso, para diminuir o custo total, o que importa é fazer a distribuição

9. Colin (2007).
10. Colin (2007).
10 PARTE | I  Métodos de Apoio à Tomada de Decisão

nas OMs com a menor quilometragem possível, pois é isso que influencia diretamente
o custo variável.
O segundo pressuposto indica que, para se obter menor quilometragem, deve haver
o mínimo possível de viaturas deslocando-se para as OMs, a fim de satisfazer suas
necessidades. No caso em que haja a opção de suprir determinada OM, empregando
uma ou duas viaturas, deve-se escolher a primeira alternativa, pois a segunda implica
o dobro da quilometragem (um percurso por cada viatura).
A terceira premissa preconiza que é desejável suprir as OMs de uma só vez,
pois, quanto mais viagens forem realizadas, maior será a quilometragem. As me-
lhores escolhas são, portanto, aquelas em que se utiliza apenas um dia para suprir
determinada OM.
Finalmente, deve-se observar que, embora não haja diferença no cálculo dos custos
variáveis, deve haver penalização para a alocação de viaturas com pouca carga. Afinal,
quando isto ocorre, está se deixando de aproveitar espaço útil nas viaturas, o que não
deixa de ser uma perda, ainda que implícita.
Em seguida, foi realizada a programação no Excel, procurando-se encontrar uma
resposta determinística para a questão de estudo, como alternativa para a programação
da frota, executada apenas com base na experiência dos profissionais da Marinha.

Primeira tentativa de solução


Baseando-se nas premissas listadas anteriormente, buscou-se a princípio modelar
o problema no Excel, criando uma tabela geral de variáveis ajustáveis, utilizando
números inteiros, correspondendo à tonelagem alocada em cada viatura. Estas variáveis
indicariam, diariamente, quais viaturas seriam empregadas, qual a capacidade utilizada
das viaturas e que OMs seriam abastecidas.
Para um custo mínimo, ou seja, menor quilometragem, foram estabelecidas algumas
restrições. Em primeiro lugar, diariamente, cada viatura não poderia ser abastecida com
uma tonelagem acima de sua capacidade. Era imperativo também que as demandas
de cada OM deveriam ser atendidas, ao término da semana. Por fim, as variáveis de
decisão deveriam ser binárias. A Tabela 1.4 traz a configuração do problema para a
segunda-feira, considerando-se que para cada dia da semana o número de células ajus-
táveis era a mesma. Dessa forma, o valor 0 significaria a não utilização da viatura, ao
passo que o valor 1 indicaria o uso do veículo.
Apesar de a configuração do problema obedecer a uma lógica correta, ao se utilizar
a ferramenta Solver do Excel não foi possível se chegar a uma solução, sendo exposta
a seguinte mensagem: “Excesso de células ajustáveis”. Sem dúvida, haveria grande
necessidade de processamento dos cálculos para se testar todas as variáveis na tabela
geral. Por este motivo, esta que seria a solução mais direta no Solver teve que ser
descartada.
Em diversas outras tentativas de resolução do problema, as limitações de cálculo
do Solver ficaram evidentes. Em alguns casos a execução do programa demorava horas
sem que apresentasse uma solução. Como resultado dessas experiências, chegou-se
à conclusão de que a modelagem do problema deveria considerar fases de resolução
que não excedessem a capacidade da ferramenta empregada.
Capítulo | 1 A aplicação da Programação... 11

TABELA 1.4 Extrato das células variáveis da tabela geral

Segunda
OM A OM B OM C OM D OM E OM F OM G

Vtr 1 (14t) 0 0 0 0 0 0 0

Vtr 2 (14t) 0 0 0 0 0 0 0

Vtr 3 (14t) 0 0 0 0 0 0 0

Vtr 4 (14t) 0 0 0 0 0 0 0

Vtr 5 (8t) 0 0 0 0 0 0 0

Vtr 6 (8t) 0 0 0 0 0 0 0

Vtr 7 (8t) 0 0 0 0 0 0 0

Vtr 8 (3t) 0 0 0 0 0 0 0

Vtr 9 (3t) 0 0 0 0 0 0 0

Totais 0 0 0 0 0 0 0

Primeira solução
Levando-se em consideração as premissas levantadas e a conclusão da necessidade
de atacar o problema por fases, conforme anteriormente mencionado, chegou-se à
primeira solução determinística com o uso da ferramenta Solver no Excel. Para essa
primeira modelagem válida, alguns procedimentos foram adotados. Em primeiro
lugar, foi criada uma planilha com parâmetros, para servir como base para as demais
planilhas que seriam criadas. Além disso, a solução foi dividida em duas etapas, sendo
empregada a ferramenta Solver em cada uma delas.
Na primeira etapa, para cada OM foi realizado um modelo Solver individual,
com o propósito de verificar qual seria a melhor alocação de viaturas para satisfazer
a demanda de uma única vez. A célula objetivo priorizou a menor quilometragem
possível, com a menor ociosidade possível. Por este motivo, sua composição foi de
viaturas empregadas, multiplicada pela distância, mais o espaço ocioso. Com isto,
procurou-se tentar atender as restrições preestabelecidas.
Na segunda etapa, foi executado um Solver geral para decidir quais OMs seriam
atendidas em cada dia da semana. Para tal, tomou-se como base o resultado da etapa
anterior, que alocou a melhor quantidade de viaturas para satisfazer as OMs de uma
única vez. Neste Solver foram impostas as restrições de quantidade de viatura e de que
cada OM não poderia ser atendida mais de uma vez na semana. O mais importante na
segunda etapa foi satisfazer as restrições. Por isso, a média foi um artifício utilizado
para criar a variável objetivo; afinal, qualquer solução apresentaria o mesmo custo, pois
a quilometragem seria sempre a mesma. Inicialmente, a variável-padrão foi definida,
12 PARTE | I  Métodos de Apoio à Tomada de Decisão

tomando-se como base o desvio-padrão, porém, isso dificultou o trabalho do Excel


para apresentar uma solução válida.
Cabe ressaltar que não foram utilizados números necessariamente binários para
as variáveis de decisão na segunda etapa. No entanto, na verdade os números sempre
eram 0 ou 1, devido à restrição de se atender a OM apenas uma vez na semana. As
Tabelas 1.5 a 1.7 trazem o detalhamento de uma das configurações válidas encontradas
nesta primeira solução determinística.

Segunda solução
A primeira solução não atendia o requisito de entregas máxima e mínima impostas pelo
problema. Embora isso não fosse um prejuízo considerável, por não implicar maiores
custos ou indisponibilidade de viatura, foi necessário elaborar uma segunda solução,
que satisfizesse a todos os requisitos.

TABELA 1.5 OMs atendidas por dia

OM Seg Ter Qua Qui Sex


Alfa 0 1 0 0 0

Bravo 0 0 1 0 0

Charlie 0 1 0 0 0

Delta 1 0 0 0 0

Echo 1 0 0 0 0

Foxtrot 0 1 0 0 0

Golf 1 0 0 0 0

Hotel 1 0 0 0 0

India 0 0 0 0 1

Juliet 0 0 0 1 0

Entrega 71 50 15 13 16

TABELA 1.6 Uso de viaturas

Uso Vtr Seg Ter Qua Qui Sex


Vtr 14t 4 2 0 1 0

Vtr 8t 3 3 2 0 2

Vtr 3t 0 0 0 0 0
Capítulo | 1 A aplicação da Programação... 13

TABELA 1.7 Distribuição de viaturas e quilometragens envolvidas

OM Vtr 14t Vtr 8t Vtr 3t Demanda Distância Km por OM


Alfa 0 1 0 8 12 12

Bravo 0 2 0 15 5 10

Charlie 0 2 0 16 140 280

Delta 1 1 0 18 160 320

Echo 1 1 0 20 15 30

Foxtrot 2 0 0 26 10 20

Golf 1 1 0 19 180 360

Hotel 1 0 0 14 6 6

India 0 2 0 16 25 50

Juliet 1 0 0 13 20 20

Total 1.108

Cabe ressaltar que a segunda solução é mais trabalhosa que a primeira, embora
seja a mais completa e a única que realmente satisfaz o problema proposto. Foram,
portanto, adotados alguns procedimentos. Em primeiro lugar, criou-se uma planilha
de parâmetros, de forma semelhante à anterior. Em seguida, dividiu-se a resolução
em três fases.
Para a primeira fase partiu-se da premissa de que a melhor coisa a ser feita é suprir
o máximo de OMs o mais rápido possível, obedecendo, é claro, as restrições de entrega
máxima e mínima. Além disso, a OM deve ser suprida em apenas um único dia, para
minimizar a quilometragem. Por este motivo, foi criado um Solver diário, para decidir
quais OMs seriam supridas diariamente.
A variável-objetivo foi a sobra de toneladas a serem supridas, devendo ser a mínima
possível. Cabe ressaltar que as planilhas estavam relacionadas de forma que a demanda
considerada em determinado dia fosse igual à demanda que deixou de ser atendida no
dia anterior, de modo a não se atender mais de uma vez a determinada localidade. A
Tabela 1.8 traz o resultado do Solver para segunda-feira.
Com os dados da primeira fase chegou-se a uma tabela que demonstrava como as
OMs seriam atendidas, ao longo da semana, conforme exposto na Tabela 1.9. Faltava,
no entanto, determinar como fazer a distribuição das viaturas para que fosse atendido
o objetivo maior do problema: determinar a melhor programação para reduzir custos.
Para tal, foi realizada a segunda fase.
Como base para a segunda fase, além da Tabela 1.9, foram adotados na variá-
vel-objetivo os princípios de menor quilometragem possível e também o de menor
capacidade ociosa possível (espaço vazio em viatura utilizada). Estes são os mesmos
parâmetros utilizados na solução anterior.
14 PARTE | I  Métodos de Apoio à Tomada de Decisão

TABELA 1.8 Primeira fase (segunda-feira)

Entrega (máx) 45 45
Entrega (mín) 31 45 Efetuada Resta

Alfa 8 0 0 8

Bravo 15 0 0 15

Charlie 16 0 0 16

Delta 18 0 0 18

Echo 20 0 0 20

Foxtrot 26 1 26 0

Golf 19 1 19 0

Hotel 14 0 0 14

India 16 0 0 16

Juliet 13 0 0 13

Total 165 120

TABELA 1.9 Consolidação da primeira fase

OM Seg Ter Qua Qui Sex Dist


Alfa 0 0 1 0 0 12

Bravo 0 0 1 0 0 5

Charlie 0 0 0 1 0 140

Delta 0 1 0 0 0 160

Echo 0 0 1 0 0 15

Foxtrot 1 0 0 0 0 10

Golf 1 0 0 0 0 180

Hotel 0 1 0 0 0 6

India 0 0 0 1 0 25

Juliet 0 0 0 0 1 20

Totais 45 32 43 32 13
Capítulo | 1 A aplicação da Programação... 15

TABELA 1.10 Segunda fase (segunda-feira)

Vtr (t) Dist envo


14 8 3 Demanda Dem at Dem ref

0 0 0 0 8 0 0

0 0 0 0 15 0 0

0 0 0 0 16 0 0

0 0 0 0 18 0 0

0 0 0 0 20 0 0

2 0 0 20 26 28 26

1 1 0 360 19 22 19

0 0 0 0 14 0 0

0 0 0 0 16 0 0

0 0 0 0 13 0 0

Utl 3 1 0 <= Cap total 50 45

Disp 4 3 2

As restrições adotadas em cada Solver desta segunda fase referiam-se, sobretudo,


à limitação de viatura. A Tabela 1.10 traz o resultado do Solver de segunda-feira, nesta
segunda fase: “Dem at” refere-se à capacidade das viaturas empregadas, enquanto
“Dem ref” diz respeito à necessidade das OMs.
Na última fase dessa resolução, foi feita apenas a elaboração de uma planilha de
consolidação, com o resultado final da primeira e da segunda fases da resolução. A
terceira fase detalha, portanto, diariamente, o percurso das viaturas que serão em-
pregadas na distribuição de suprimentos pelas OMs.

Comparação entre as soluções


A única vantagem da primeira solução em relação à segunda é ser relativamente mais
simples, exigindo menos tabelas Solver. Esta aparente vantagem, no entanto, talvez
nem mesmo possa ser considerada, tendo em vista que somente na segunda solução
foram atendidos os requisitos propostos pelo problema de entrega máxima e mínima.
Além disso, a segunda solução utiliza de modo mais eficaz o espaço das viaturas.
Isto acontece porque ela não considera as OMs de forma isolada, e sim a entrega que
deve ser efetuada no dia. Evita-se, com isso, a sobreposição de sobras de espaços vazios
nas viaturas quando estas são alocadas, considerando-se as OMs de forma isolada.
Como resultado, pode-se, inclusive, utilizar viaturas de três toneladas, o que não
ocorria na primeira solução.
16 PARTE | I  Métodos de Apoio à Tomada de Decisão

Finalmente, é possível concluir que a segunda solução é, com segurança, a ótima,


porque está em consonância com o objetivo maior da ferramenta Solver, que é apontar
a melhor solução. No caso da primeira solução, podem existir alternativas melhores,
e se assim for o instrumento de apoio à decisão está comprometido. Por isso, embora
mais trabalhosa, a segunda solução é a que deve ser considerada na solução do pro-
blema proposto.

CONSIDERAÇÕES FINAIS
A resolução do problema real com o uso do Excel permitiu que se chegasse a uma
visão acerca das potencialidades e das limitações da ferramenta Solver. Verificou-se,
nesse sentido, a necessidade de executar a modelagem do problema, considerando o
processamento eletrônico que possui limitações. No entanto, após tratar o problema
em fases, a ferramenta Solver pode resolver questões complexas, como a considerada
neste trabalho.
Em relação às limitações da ferramenta Solver reportadas na literatura, tomou-se
cuidado em relação ao problema mencionado de escala para que não houvesse muita
variabilidade entre o maior e o menor número nos cálculos efetuados, o que poderia
gerar problemas de convergência.11
Outra limitação da ferramenta Solver que deve ser mencionada diz respeito ao
problema da degeneração. Conforme reportado na literatura,12 se uma ou mais das
variáveis básicas numa solução tem o valor zero, a solução é chamada solução básica
degenerada, e isto implica problemas de convergência do algoritmo, sendo difícil
identificar a solução ótima. Ainda que o algoritmo Simplex trate esses problemas, este
fator deve ser considerado na tentativa de resolução na primeira solução.
Entretanto, na primeira solução, para atender os requisitos preestabelecidos e apre-
sentar um valor para a célula alvo que fosse ótimo, o Solver apresentou, inicialmente,
em alguns casos, uma demora excessiva. Conforme reportado na literatura,13 para m
equações e n variáveis deveria haver, no máximo, n!/m!(n-m)! soluções básicas e o
algoritmo deveria convergir para a solução ótima em aproximadamente 3m/2 iterações.
Trazendo essas fórmulas para o problema em questão, verifica-se que, no primeiro
caso, existiam 362 equações relacionadas às restrições e 315 variáveis, o que poderia
levar a 543 iterações, explicando a demora na solução e a não convergência para um
valor ótimo. Por outro lado, com a solução vislumbrada, utilizando-se a defasagem
dos dias da semana, conseguiu-se uma convergência com 18 iterações.
Durante a resolução do problema, constatou-se que a formulação de um bom
modelo é crucial para a sua solução e que é importante a análise crítica detalhada para
avaliação da real necessidade de se modelar uma variável como inteira. Tal constatação
foi baseada na falta de convergência do resultado na primeira solução e no sucesso
alcançado com a nova modelagem na segunda solução, considerando-se a defasagem
proposta. Cabe considerar que, embora trabalhosa a montagem do problema, após os

11. Colin (2007).


12. Colin (2007).
13. Colin (2007).
Capítulo | 1 A aplicação da Programação... 17

dados serem correlacionados na planilha não existem dificuldades para se efetuar novas
soluções a partir de modificações que venham a ocorrer. No caso, por exemplo, de se
acrescerem viaturas ou haver aumento de demanda, a partir da mudança na planilha de
parâmetros todos os demais cálculos serão efetuados de forma automática. A solução
apresentada não serve, portanto, apenas para responder ao momento atual, podendo
ser utilizada também em ocasiões futuras.
Outro aspecto importante que deve ser salientado é que nas soluções de problemas
reais desta natureza não devem ser considerados apenas os custos e parâmetros ex-
plícitos. Trafegar com viaturas com espaço ocioso, matematicamente, não apresentaria
aumento de custos. Conforme mencionado na literatura,14 na logística o custo total
é dependente não só da variável custo do transporte, mas também do custo de es-
tocagem. No entanto, sabe-se que, ao menos indiretamente, isto representa perda, pelo
espaço ocioso. De forma semelhante, diante de um mesmo custo, é melhor atender
o mais rápido possível a demanda do usuário. Cabe, portanto, a quem vai modelar o
problema, a tarefa de considerar estes e outros aspectos implícitos na resolução de
questões reais.
Como indicação para pesquisas futuras, fica a sugestão de se tentar modelar tais
problemas de modo ainda mais realista, considerando todos os aspectos mais impor-
tantes em relação à situação em foco. Por exemplo, a demanda de cada OM poderia
ser considerada de forma probabilística, através de uma distribuição de probabilidades
condizente com o seu histórico de comportamento, o que estaria mais de acordo com
a realidade. Isso seria possível por meio do uso de uma abordagem probabilística,
como a Simulação de Monte Carlo,15 em vez da Programação Inteira, utilizada neste
trabalho, que considerou a demanda de forma puramente determinística.
Cabe ressaltar, no entanto, que, no caso de modelagens ainda mais realistas (e,
portanto, potencialmente mais complexas), tornam-se ainda mais importantes os
cuidados em relação à modelagem mencionados nestas considerações finais, para
que o esforço computacional na busca da solução ótima não ultrapasse os limites da
viabilidade operacional.

EXERCÍCIOS
1. Uma empresa tem que planejar seus gastos em Pesquisa e Desenvolvimento para
os próximos cinco anos. A empresa pré-selecionou quatro projetos e deve escolher
dentre estes quais priorizar. Os dados relevantes ao problema encontram-se na
planilha Exercício 1. Nela também se encontra a disponibilidade de capital a
ser alocado em cada um dos anos, bem como o valor presente líquido (VPL) de
cada projeto. Como todos os projetos apresentam VPL positivos, todos seriam
candidatos. Vale notar que existe uma limitação no valor a ser investido anualmente.
a. Quais projetos devem ser priorizados?
b. Agora considere que os projetos 1, 3 e 4 são concorrentes e apenas um deles
pode ser escolhido. Quais projetos devem ser priorizados?

14. Ballou (2008).


15. Hertz (1980); Paula et al. (2007).
18 PARTE | I  Métodos de Apoio à Tomada de Decisão

c. Sem considerar a letra b, dessa vez considere que o projeto 1 depende de uma
tecnologia que deve ser desenvolvida pelo projeto 3, isto é, só pode ser aprovado
se o projeto 3 também o for. Quais projetos devem ser priorizados?

2. Um cliente procurou um analista de investimentos com o objetivo de investir em


ações. O analista o entrevista para identificar o seu perfil de risco e apresentar as
opções de investimento. O cliente está decidido a investir em papéis de bancos. O
analista deve apresentar uma proposta de investimento que atenda às expectativas
do cliente. O retorno e o risco de cada investimento estão apresentados na planilha.
Exercício 2. Durante a entrevista, o cliente fez as seguintes exigências:
● pelo menos um quarto da carteira deve ser composta por ações do Banco A,

devido ao seu baixo risco;


● a participação das ações do Banco B deve ser de, no máximo, 12,5%, devido

ao seu alto risco;


● a participação de Renda Fixa na carteira deve ser de, no máximo, 10%, devido

ao seu baixo retorno;


● a taxa máxima suportada de risco é de 5,5%.

3. Uma corretora de valores gerencia recursos de terceiros através da composição de


carteiras de investimento para clientes, com diferentes perfis de risco. Um deles
exige que:
● não mais de 30% do total aplicado seja aplicado em um único investimento;

● um valor não inferior a 40% do total aplicado seja investido em títulos de

maturidade maior do que 10 anos;


● o total aplicado em títulos de alto risco seja, no máximo, de 40% do total inves-

tido.
A planilha Exercício 3 mostra os dados dos títulos selecionados. Determine qual per-
centual do total deve ser aplicado em cada título.

4. Um indivíduo dispõe de R$ 6.000 para investir em até dois ativos. Ele tem três
opções de ativos, que vão fornecer o retorno após cinco anos. Cada um dos inves-
timentos pode ser feito em valores múltiplos de R$ 1.000 e ele deseja investir, no
máximo, R$ 4.000 em cada ativo. Os retornos esperados apresentam ganhos de
escala (ou seja, sempre é melhor fazer uma aplicação de R$ 3.000 em um ativo do
que uma aplicação de R$ 1.000 e outra de R$ 2.000 no mesmo ativo, por exemplo)
e podem ser visualizados na planilha Exercício 4. Qual deve ser a política de
investimento?

5. Uma empresa possui as seguintes opções de investimento em projetos para os


próximos quatro anos: investimento maciço em P&D, política agressiva de Vendas,
abertura de uma nova loja e recapacitação dos Recursos Humanos. Enfrentando
limitações anuais de capital, a empresa deve escolher em quais projetos investir
para obter o maior retorno possível, a valor presente. O VPL dos projetos, o capital
necessário para cada um deles e a projeção do capital disponível estão ilustrados
na planilha Exercício 5.
Capítulo | 1 A aplicação da Programação... 19

a. Determine que projetos a companhia deve selecionar para maximizar o valor


presente líquido do capital investido.
b. Considere que, devido a questões estratégicas, a empresa decida que a recapaci-
tação dos Recursos Humanos é um projeto que não pode deixar de ser realizado,
independentemente de seu VPL estimado. Que mudanças esta informação gera
na formulação do problema e no resultado?
c. Sem considerar o que foi mencionado na letra b, o que você recomendaria se a
companhia conseguir um adicional de R$ 10.000 para cada um dos quatro anos?
d. E considerando o que foi mencionado na letra b?

REFERÊNCIAS
BALLOU, R. Logística empresarial. São Paulo: Atlas. 2008.
________. Gerenciamento da cadeia de suprimentos/Logística empresarial. Porto Alegre: Bookman, 2006.
COLIN, E. Pesquisa operacional. Rio de Janeiro: LTC. 2007.
HERTZ, D. Análise de risco em investimentos de capital. Biblioteca Harvard de Administração de Em-
presas, 8 (3), p. 1-14, 1980.
MOORE, J.; WEATHERFORD, L. Tomada de decisão em administração com planilhas eletrônicas. Porto
Alegre: Bookman. 2005.
PAULA, R.; CAPELO JR. E.; COSTA, C. O Cálculo do Valor Presente Líquido com Tratamento do Risco
através do Método de Simulação de Monte Carlo. In: Encontro da ANPAD, 31, 2007, Rio de Janeiro.
Anais... Rio de Janeiro: ENANPAD. 2007.
Capítulo 2

Avaliação da escolha de um
fornecedor sob condição de riscos
a partir do método de Árvore
de Decisão
Wesley Vieira da Silva
PPAD/PUC-PR

Jansen Maia Del Corso


PPAD/PUC-PR

Hanna Tatarchenko Welgacz


PPAD/PUC-PR

Julinês Bega Peixe


PPAD/PUC-PR

Objetivos de aprendizagem do capítulo


● Saber modelar um problema real em situação de risco através de uma Árvore de
Decisão.
● Entender o conceito e as diferenças entre nó de decisão e de evento.
● Compreender o conceito do Valor Monetário Esperado.
● Aprender a estimar o Valor da Informação Imperfeita e o Valor da Informação Perfeita.
● Saber conduzir uma Análise de Sensibilidade acerca dos parâmetros mais importantes.
● Conseguir considerar, na análise, o perfil de aversão a risco do tomador de decisão.

INTRODUÇÃO
Uma decisão precisa ser tomada quando se está diante de um problema que dispõe de
mais de uma alternativa para sua solução.1 A Teoria da Decisão parte do pressuposto
de que os indivíduos são capazes de expressar suas preferências básicas, e são racio-
nais, quando enfrentam situações de decisões simples. Com base nessa proposição, a
metodologia desenvolvida pela Teoria da Decisão possibilita a resolução de problemas

1. Gomes; Gomes; Almeida (2002).

21
22 PARTE | I  Métodos de Apoio à Tomada de Decisão

de decisão mais complexos. Estes problemas são comuns em uma infinidade de áreas,
tanto públicas quanto privadas, e desde tempos remotos o homem tenta resolvê-los
apoiando-se em abstrações, heurística e raciocínios dedutivos, a fim de validar e guiar
escolhas. Para resolver tais problemas, até a primeira metade do século XX, utilizava-se
basicamente a esperança matemática para tomada de decisão em condições aleatórias;
porém, em muitas situações, o risco associado a tal procedimento era inaceitável.
No processo de modelagem da realidade, o pesquisador troca a riqueza e a abran-
gência da realidade pelo poder de análise e pela capacidade de experimentação. Neste
caso, os elementos do modelo a ser formulado podem ser vistos como variáveis de
controle ou de decisão e ser manipulados para se atingir os objetivos. O modelo com-
preende ainda variáveis de estado ou de natureza, sobre as quais não se tem controle,
mas que afetam as consequências ou resultados da decisão.
O ambiente atual dentro e fora das organizações é dinâmico e cheio de incerteza. Os
gerentes estão sobrecarregados devido à complexidade dos processos organizacionais. As
exigências diárias em relação a decisões rápidas e assertivas demandam o uso de ferramen-
tas de tomada de decisão que possam aumentar a qualidade e a velocidade nesse processo.
O processo de tomada de decisão dentro das organizações modernas demanda um
profissional que conheça o ambiente no qual a empresa está inserida e que também
esteja ciente das suas constantes e frequentes mudanças.
Em constante cobrança por eficiência, o profissional deve dispor de conheci-
mentos técnicos sobre o assunto em relação ao qual vai opinar e também ser ágil no
levantamento de todas as alternativas possíveis. Para atender essa necessidade, o uso
dos métodos quantitativos evoluiu para o conceito da Teoria da Decisão, dentro da
qual se encontram diversas ferramentas e técnicas que contribuem para maior eficácia
gerencial. Os métodos quantitativos modernos desenvolveram a abordagem lógica
para situações de incerteza e risco, o que se aplica ao ambiente atual das organizações.
É diante de uma dessas situações de risco que se pode recorrer a uma ferramenta
que permita, a partir de probabilidades conhecidas ou subjetivamente atribuídas e
com o auxílio de heurísticas, visualizar e interpretar facilmente algumas opções para
a tomada de decisão mais acertada.

ÁRVORE DE DECISÃO
Na década de 1970, começaram a surgir os primeiros métodos de apoio com o intuito de
enfrentar situações específicas, nas quais um tomador de decisão, atuando com racionali-
dade, deveria resolver um problema em que vários eram os objetivos a serem alcançados
de forma simultânea. Daí surgiu a Árvore de Decisão como um dos mais importantes
métodos de análise de decisão, pautando-se em conceitos como o de risco e retorno.
As Árvores de Decisão utilizam a estratégia dividir-e-conquistar (divide-and-
conquer), em que árvores são construídas utilizando-se apenas alguns atributos.
As Árvores de Decisão são uma das técnicas de aprendizado de máquina (machine
learning), na qual um problema complexo é decomposto em subproblemas mais sim-
ples. Recursivamente, a mesma estratégia é aplicada a cada subproblema.2

2. Gama (2004).
Capítulo | 2 Avaliação da escolha de um fornecedor... 23

Quinlan, professor da Universidade de Sidney, considerado o “pai das Árvores


de Decisão”, elaborou um novo algoritmo, chamado ID3, desenvolvido em 1983. O
ID3 e suas evoluções (ID4, ID6, C4.5, See 5) são algoritmos muito utilizados para
gerar Árvores de Decisão. O atributo mais importante é apresentado na árvore como
o primeiro nó, e os atributos menos importantes, segundo o critério utilizado, são
mostrados nos nós subsequentes. As principais vantagens das Árvores de Decisão
são o fato de que elas “tomam decisões” levando em consideração os atributos que
são considerados mais relevantes, segundo a métrica escolhida, além de serem com-
preensíveis para as pessoas. Ao escolher e apresentar os atributos em ordem de
importância, as Árvores de Decisão permitem aos usuários conhecer quais fatores
mais influenciam os seus trabalhos.
Dentro do conceito do método de Árvore de Decisão está o modelo de árvore
binomial, com o qual se pode descrever uma multiplicidade de alternativas numa
escolha de opção otimizada. A tarefa deste método é estabelecer uma relação entre
a situação de tomada de decisão e uma expressão numérica das opções disponíveis.
Um problema representa o início de uma árvore que se compõe de ramos, nós e
folhas. Para cada nó deve ser definido o próximo critério de ramificação, uma decisão
ou cenário. Os ramos representam decisões e cenários, e as folhas são alternativas
finais para a escolha de uma única e melhor opção. Ao receber novos dados, a árvore
modifica-se e gera uma nova decisão otimizada.
O problema em construir uma Árvore de Decisão pode ser expresso recursivamente:
primeiro deve-se selecionar um atributo para colocar no nó-raiz e fazer um ramo para
cada possível valor. Isso divide o problema em subconjuntos, um para cada valor do
atributo. Agora o processo pode ser repetido recursivamente para cada ramo. Se a
qualquer instante todos os exemplos em um nó têm a mesma classificação, interrompe-se
o desenvolvimento daquela parte da árvore. Como determinar, no entanto, qual atributo
dividir? Escolhe-se o atributo que gere uma árvore menor e que tenha chances de clas-
sificar melhor, ou seja, precisa-se mensurar o grau de pureza de cada nó. Com isto, é
possível escolher o atributo que produz os nós filhos mais puros.3
A Árvore de Decisão está diretamente ligada com o que se denomina flexibilidade
gerencial, pois o método de análise permite rever a estratégia inicial e alterar planos de
acordo com novas condições econômicas. As flexibilidades gerenciais possibilitam tanto
capitalizar futuras oportunidades favoráveis ao negócio quanto diminuir perdas, isto é,
melhoram o potencial de ganhos e limitam o potencial de perdas.4 A flexibilidade geren-
cial consiste em um conjunto de opções reais tais como postergar um projeto, expandir
ou contrair escala de produção ou avaliar a alteração das matérias-primas de um projeto.
Considera-se a flexibilidade gerencial como uma possibilidade, não como uma
obrigação. Muitos autores acreditam que as Opções Reais no futuro não constituirão
meramente uma ferramenta analítica mas, em contextos mais rigorosos e intensivos,
um processo organizacional. Contudo, a Árvore de Decisão é um método que permite
indicar, de forma gráfica e cronológica, um caminho a ser seguido em um processo de
decisão, explicitando etapas a serem cumpridas para alcançar o objetivo pretendido.

3. Carvalho (2002).
4. Minardi (2004).
24 PARTE | I  Métodos de Apoio à Tomada de Decisão

A árvore representa um processo de decisão em que os nós são os momentos no


tempo em que o decisor deve efetuar uma decisão. As etapas da técnica para o auxílio da
tomada de decisão são definidas como: a) definição do tema; b) definição do objetivo,
metas e submetas; c) construção da Árvore de Decisão; d) revisão da Árvore de Decisão;
e) encerramento.5
Algumas vantagens da utilização desta técnica podem ser relacionadas:6
● permite a subdivisão do objetivo em metas e submetas, indicando como alcançá-las;
● orienta o tomador de decisão à medida que este responde à pergunta: O que é
necessário fazer para alcançar a meta pretendida?;
● permite o exame, pelo tomador de decisão, de todas as possibilidades;

● permite a criação de algoritmos facilmente implementados em computadores.

Uma decisão tomada com base em todos os dados e informações disponíveis e alter-
nativas possíveis e que, principalmente, utilize ferramentas de métodos quantitativos
apropriados, deve ser considerada como uma boa decisão, mesmo que apresente algo
que um administrador não vise como meta. Complementando essa convicção, uma
decisão que não considerou todos os procedimentos prescritos pela metodologia é
considerada má decisão, mesmo que o resultado obtido seja favorável. Isso porque,
como não foram exploradas todas as informações e alternativas possíveis, não se pode
afirmar que o resultado favorável foi otimizado.7
Vale destacar que as Árvores de Decisão garantem maior flexibilidade do que os
mecanismos tradicionais na medida em que as decisões são definidas, tal como fora
mencionado anteriormente, com maior grau de flexibilidade. Nas árvores, uma série de
eventos podem ser mapeados ao longo dos diversos ramos, envolvendo várias decisões
de sequenciamento. A Figura 2.1 apresenta uma Árvore de Decisão simplificada.
Constata-se com base na Figura 2.1 que os valores de “p” referem-se às proba-
bilidades de ocorrência de um evento. A Árvore de Decisão incorpora conceitos de
incerteza na análise de uma alternativa de investimento ou mesmo de financiamentos,
o que a torna uma técnica superior às técnicas tradicionais.

FIGURA 2.1  Exemplo de uma árvore de decisão.

5. Gomes; Gomes; Almeida (2009).


6. Gomes; Gomes; Almeida (2009).
7. Corrar; Theóphilo (2004).
Capítulo | 2 Avaliação da escolha de um fornecedor... 25

A ESCOLHA DE UM FORNECEDOR COM O AUXÍLIO


DA ÁRVORE DE DECISÃO
Diante das necessidades operacionais de um gerente da importadora brasileira Meta-
lúrgica e Distribuidora de Aço, o exemplo a seguir ordena diretamente a utilização de
uma ferramenta que visa auxiliá-lo na tomada de decisão. O objetivo é determinar a
melhor escolha entre três fornecedores de aço para importação pautando-se na técnica
da Árvore de Decisão. A determinação do fornecedor torna-se muito importante
porque existem diversas variáveis que, caso não sejam cumpridas, vão comprometer
a imagem da empresa distribuidora perante o mercado. As variáveis não são somente
os custos, mas também o prazo de entrega, a qualidade de produto para aceitação do
mercado importador e outros, que são fatores determinantes na escolha do fornecedor.
A Árvore de Decisão é um método dinâmico, fácil de utilizar e pode ser aproveitado
para futuras consultas, criando assim um banco de dados das decisões. O desafio é
aproximar os dados descritivos a uma análise quantitativa e evitar um julgamento
intuitivo na tomada de decisão.
A análise do processo de decisão se desdobra em duas etapas: a primeira é a decisão
de importar ou não, e a segunda refere-se à escolha entre três fornecedores estrangeiros,
com exploração prévia de atributos de avaliação.
A Teoria da Decisão estabelece procedimentos para um processo de tomada de
decisão. Os passos a seguir analisam o problema proposto à luz dos conceitos desse
processo, procurando, de forma didática, determinar a melhor alternativa a ser seguida.8

Passo 1: Definição do problema


A Metalúrgica e Distribuidora de Aço é uma empresa brasileira de grande porte que usa
como insumo tarugos, chapas e bobinas de aço para produção de tubos, cantoneiras,
perfis e outros produtos; além disso, é distribuidora desses produtos para metalúrgicas
de menor porte. A diretoria da empresa observou a tendência de aquecimento da
demanda para seus produtos devido a alguns fatores.
Os produtos são comprados de fabricantes de aço nacionais que, devido à grande
demanda para consumo próprio, suprem as necessidades das metalúrgicas a partir
das quotas preestabelecidas. Dessa maneira fica impossível aumentar os volumes
de compra de imediato. Caso o aquecimento da demanda se concretize, tal como
indicam várias pesquisas das associações comerciais do setor metalúrgico brasileiro,
a Metalúrgica e Distribuidora de Aço precisará aumentar seu estoque, devido à sua
necessidade, passando de 1 mil toneladas por mês para 4 mil toneladas para o mesmo
período. O problema mais evidente no primeiro momento é onde obter a quantidade
de insumos além da quota com fornecedor nacional.

Passo 2: Alternativas de ação


Sendo impossível obter o volume adicional de 3 mil toneladas de aço no mercado
nacional, a diretoria tem algumas alternativas, que se alinham em duas etapas de

8. Corrar; Theóphilo (2004).


26 PARTE | I  Métodos de Apoio à Tomada de Decisão

tomada de decisão, sendo a segunda somente necessária caso opte positivamente pela
primeira alternativa.
Primeira etapa de decisão:
1. importar o produto do exterior, avaliando com otimismo a situação do mercado em
expansão; ou
2. permanecer no mesmo volume de 1 mil toneladas mensais, sem recorrer à compra
adicional via importação, devido às incertezas de crescimento do mercado de cons-
trução.
Segunda etapa de decisão:
1. Caso seja tomada a decisão de importar, deve-se escolher um fornecedor estrangeiro
dentro de várias ofertas.
O desafio do profissional que toma a decisão é precisar ou obter dados quanto à
probabilidade de ocorrência desse cenário. Essas probabilidades são estimadas em
termos percentuais. Entre os fatores que identificam o ambiente de incerteza na tomada
de decisão do problema estudado estão aumento da demanda no mercado interno,
mudanças na política industrial no Brasil ou no país exportador e volatilidade da taxa
de câmbio de dólar norte-americano, entre outros.
Baseando-se em dados do mercado, o profissional conseguiu atribuir as proba-
bilidades de ocorrência de cenários, concluindo que a decisão seja tomada em um
ambiente de risco. A condição do cenário de aquecimento do mercado configura
um exemplo de opção real, em que a decisão de importar pode ser tomada após a
revelação da informação. Mas, no caso analisado, o distribuidor deseja estar preparado
para o aumento da demanda devido aos prazos extensos de entrega da mercadoria na
importação e para estar com o produto à disposição de compradores.
Para o tomador da decisão, a situação ideal seria aquela em que a probabilidade
de ocorrer um cenário fosse estimada em 100%. Nessa situação, pode-se considerar
que o tomador de decisão está diante de uma informação perfeita, que transformaria
um ambiente de risco em um ambiente de certeza. Com base em informações sobre
mercado previamente coletadas, o dirigente admite que as probabilidades de ocorrência
dos cenários de primeira etapa sejam consideradas como as da Tabela 2.1.
Em se tratando de recusa à importação de um estoque adicional, não há necessidade
de próxima etapa de decisão, ou seja, de segundo nível. Mas, ao optar pela importação
do produto, a empresa encontra alguns riscos conjunturais do país exportador e riscos

TABELA 2.1 Cenários e suas probabilidades de ocorrência

Cenários para a primeira etapa


de decisão: Importar Probabilidades
Cenário1 (C1): Aquecimento do mercado 80%

Cenário2 (C2): Mercado Estável 20%


Capítulo | 2 Avaliação da escolha de um fornecedor... 27

próprios do negócio a ser efetuado. Também existe um grau de incerteza nas avaliações
feitas em relação aos fornecedores, o que significa que um fornecedor apenas bom
pode ter sido avaliado como ótimo e vice-versa.
Um cenário de risco conjuntural presente no trabalho é a situação econômica do se-
tor siderúrgico na China. Devido à crescente produção e demanda do aço naquele país,
o governo pode intervir a qualquer momento, limitando a produção de aço nacional
com o intuito de não desvalorizar o preço das exportações chinesas. A probabilidade
atribuída pelo profissional à ocorrência dessa ação é de 60%.
Portanto, antes de optar pelo fornecedor chinês, deve-se observar a probabilidade de
que este, diante de novas políticas industriais, poderá não cumprir o contrato de venda,
e o importador brasileiro ficará sem o produto para a data acordada. Tal ocorrência
também deve ser analisada do ponto de vista financeiro, mesmo não incorrendo em
gastos, pois pode acarretar custos como colocação de pedido, abertura de carta de
crédito e, ainda, o prejuízo à imagem da empresa por não dispor do produto conforme
demanda o mercado, o que representa uma limitação para esse estudo, já que não será
levada em conta.
O risco conjuntural para fornecedores franceses e ucranianos deve ser estimado em
10%, pois sempre há uma margem de risco. Assim, baseando-se na probabilidade de
ocorrência de intervenção do governo, a Tabela 2.2 mostra a probabilidade de sucesso
e insucesso na entrega de mercadoria.

Passo 3: Possíveis resultados decorrentes das alternativas


Cada alternativa de ação terá um ganho e uma perda determinados pelo sucesso ou
insucesso da decisão. A margem de contribuição estabelecida, a priori, é de 16,6%.
Uma estimativa de venda do produto do fornecedor nacional acaba resultando nas
seguintes operações matemáticas:
Quantidade 3.000 toneladas
Receita Líquida de Vendas (RLV): US$600,00/t *3.000/t = US$1.800.000,00
Custo das Mercadorias Vendidas (CMV): US$500,00/t.*3.000/t. = US$1.500.000,00
Margem de contribuição (MC): US$1.800.000,00 − US$1.500.000,00 =
US$300.000,00
Margem de contribuição (%): US$300.000,00/US$1.800.000,00 = 16,6%

TABELA 2.2 Probabilidades de sucesso e insucesso na entrega de mercadoria

Cenários para a segunda etapa de decisão: escolha do Probabilidade Probabilidade


fornecedor estrangeiro em função do risco conjuntural de sucesso de insucesso
Cenário1 (c1): Fornecedor francês 90% 10%

Cenário2 (c2): Fornecedor chinês 40% 60%

Cenário3 (c3): Fornecedor ucraniano 90% 10%


28 PARTE | I  Métodos de Apoio à Tomada de Decisão

TABELA 2.3 Possíveis resultados decorrentes das alternativas em função


do mercado

Lucro/Prejuízo C1:
Decisão Aquecimento do mercado Lucro/Prejuízo C2: Mercado estável
Importar Margem de contribuição Retorno do investimento em quatro meses;
16,6% (US$300.000,00) Perda de aplicação no mercado financeiro
do capital investido em estoque importado
por três meses (até uso completo
do estoque importado): 1,2% a.m. em
três meses 5 (1 1 0,012)3 5 3,6% de
perda de oportunidade de investimento.

Não importar Taxa de retorno financeiro Taxa de retorno financeiro de aplicação


de aplicação do capital por do capital por um mês, 1,2% a.m.
um mês, 1,2% a.m.; Perda de
oportunidade de investimento
de ganho de 16,6%.

Probabilidade 80% 20%


de ocorrência
do cenário

Por outro lado, caso a empresa opte por não importar, ela poderá aplicar seu capital
em títulos públicos e ter uma remuneração média definida, a priori, de 1,2% a.m. O
resumo das alternativas está evidenciado na Tabela 2.3.

Passo 4: Listar o retorno de cada combinação de alternativas


e consequências (Tabela Payoff )
O resultado de cada decisão é um valor, payoff, como é conhecido na Teoria da De-
cisão, que é o valor presente dos lucros dos diversos períodos futuros envolvidos. A
tabela que evidencia os payoffs foi desenvolvida pautando-se nas seguintes operações
matemáticas:
Margem de contribuição na decisão de importar:
1. Importar em cenário de aquecimento do mercado

US$1.800.000,00 − US$1.500.000,00 = US$300.000,00.

2. Importar em cenário de mercado estável


Margem de contribuição: US$300.000,00.
Perda de aplicação no mercado financeiro: US$1.500.000,00 *(1+ 0,012)3 
US$54.000,00
Margem de contribuição esperada: US$300.000,00 − US$54.000,00 
US$246.000,00
Capítulo | 2 Avaliação da escolha de um fornecedor... 29

O valor monetário esperado da decisão de importar é obtido por meio da multi-


plicação das probabilidades de ocorrência de cada cenário por valores de margem de
contribuição, tal como a seguir:
US$300.000,00 × 0,80 + US$246.000,00 × 0,20
= US$289.000,00.
Margem de contribuição na decisão de não importar:
1. Não importar em cenário de aquecimento do mercado
US$1.500.000,00 × 1,2% = US$18.000,00.

2. Não importar em cenário de mercado estável


US$1.500.000,00 × 1,2% = US$18.000,00.

O valor monetário esperado da decisão de não importar é obtido a partir da multi-


plicação das probabilidades de ocorrência de cada cenário por valores de margem de
contribuição, tal como se demonstra a seguir:
US$18.000,00 × 0,80 + US$18.000,00 × 0,20 = US$18.000,00.

Na Tabela 2.4, vê-se um resumo das operações matemáticas realizadas anteriormente,


considerando as probabilidades associadas às decisões a serem tomadas.
Segundo o método de análise dos resultados da tabela de payoff, designado ante-
riormente, deve-se escolher a decisão que apresente maior Valor Monetário Esperado
(VME), ou seja, deve-se decidir pela importação, pois o maior VME apresentado é
de US$289.200,00.

Passo 5: Selecionar um dos modelos utilizados na Teoria da Decisão,


aplicá-lo e tomar a decisão
Ao analisar as variáveis e o ambiente do problema, foi escolhido o método de Árvore
de Decisão devido ao fato de trabalhar com fatores de análise em um ambiente de
risco, com atribuição de probabilidade de ocorrência de certas condições do mercado.

TABELA 2.4 Valor monetário esperado de acordo com o mercado e as decisões

Lucro/Prejuízo Lucro/Prejuízo Valor Monetário


Decisão C1: aquecimento mercado C2: mercado estável Esperado – VME
Importar US$300.000,00 US$246.000,00 US$289.200,00

Não importar US$18.000,00 US$18.000,00 US$18.000,00

Probabilidade 80% 20% —


30 PARTE | I  Métodos de Apoio à Tomada de Decisão

FIGURA 2.2  Primeira etapa da construção da árvore de decisão.

Utilizando a tabela de payoff, tem-se, na Figura 2.2, o desenvolvimento da Árvore de


Decisão baseando-se nos dados da primeira decisão.
Observa-se, na Figura 2.2, que o ramo da decisão que leva o nome “VERDA-
DEIRO” deve ser considerado como a decisão correta. Para finalizar a construção da
Árvore de Decisão, incorporando os cenários de conjuntura do fornecedor estrangeiro,
é necessário fazer a análise de atributos e custos envolvidos na avaliação de uma
proposta de fornecimento, para explicitar a margem de contribuição de cada fornecedor
e, subsequentemente, atribuir a probabilidade de risco conjuntural.

Passo 6: Levantamento dos atributos no processo de escolha


do fornecedor
Conforme os procedimentos descritos, identificou-se, primeiramente, o problema gerado
pela situação presente na empresa importadora. Para atender a demanda crescente do
mercado, a empresa distribuidora de aço para construção visa aumentar seus estoques.
O fato de não conseguir o produto junto aos grandes fabricantes nacionais, que o
usam para consumo próprio, ou exportam a maior parte de sua produção, leva a em-
presa a buscar alternativas de fornecimento. Segundo o levantamento de fabricantes
de aço mundiais, foram selecionados os seguintes países que possuem fábricas que
possam atender a demanda do mercado brasileiro: França, China e Ucrânia. Os critérios
importantes na avaliação de um fornecedor são citados e analisados como atributos
do produto no Quadro 2.1.
A decisão a ser tomada consiste na escolha de um dos três fornecedores fabricantes
de aço para construção – francês, chinês ou ucraniano –, sendo que a indústria chinesa é
conhecida por sua produção crescente e seus preços acessíveis; a indústria ucraniana
é conhecida mundialmente por sua qualidade e seus preços competitivos; e a indústria
francesa, preferida por sua qualidade e tradição.
A simplificação de nomear fornecedores de acordo com um país que identifique
só a sua origem deve-se ao fato de que os preços de vários fornecedores do mesmo
país tendem a um valor similar. Entretanto, a média de preços de um país difere da
média do outro.
Capítulo | 2 Avaliação da escolha de um fornecedor... 31

QUADRO 2.1 Critérios de avaliação do fornecedor

Opção não Opção Opção


Critérios desejável intermediária excelente
Preço comparado com target Acima do target Igual ao target Abaixo do target
price9, baseado no preço do price Price price
fornecedor nacional

Qualidade de acabamento Ruim Boa Excelente


final do produto

Qualidade de acordo Não corresponde Corresponde Corresponde


com exigência do mercado parcialmente totalmente
brasileiro

Prazo de entrega Próximo semestre Entrega no prazo Entrega imediata


de 30 dias

Forma de pagamento Pagamento Carta de crédito10 Pagamento a


antecipado prazo

Embalagem do produto Ausência da Embalagem Embalagem


embalagem própria normal própria
para transporte de transporte para exportação

Para o estudo de caso em questão, é mais viável fazer a análise de três países
fornecedores do que expor os dados de todos os fornecedores já analisados por país.
O levantamento dos atributos é feito para avaliação de cada fornecedor e pesará na
hora de decisão sobre a melhor opção. O Quadro 2.2 trata do enquadramento dos
fornecedores de acordo com os critérios de avaliação.
Os três fornecedores escolhidos apresentaram propostas que se encaixam nas
opções intermediária e excelente, pré-qualificando os fornecedores para o respectivo
fornecimento. Os preços apresentados por todos os fornecedores estrangeiros são
descritos de forma detalhada a seguir, estando abaixo daquele pago ao fornecedor
nacional. Disso decorre que, descontando-se os custos envolvidos, será possível
obter-se uma margem de contribuição maior do que com produto nacional, que é
de aproximadamente 16,6%. A estimativa e análise dos custos e da margem de con-
tribuição na importação estão apresentadas a seguir.
Quantidade a ser importada: 3 mil toneladas
Valor FOB11 da Importação (FOB): Preço Unitário * Quantidade
Custo da Carta de Crédito (C/C): 3% do valor FOB

9. Preço desejado pelo comprador.


10. Documento de garantia bancária de pagamento para o exportador desde que sejam cumpridas as condi-
ções estabelecidas pelo importador; uma forma de pagamento que apresenta segurança para ambas as partes.
11. Free On Board, modalidade de venda da mercadoria cujo preço na fatura comercial do exportador
incluirá os custos de colocação dentro do navio (transporte utilizado no estudo). Os custos que ocorrerem
depois disso (fretes, transbordos, taxas, impostos e outros) são por conta do importador.
32 PARTE | I  Métodos de Apoio à Tomada de Decisão

QUADRO 2.2 Enquadramento dos fornecedores a partir dos critérios


de avaliação

Opção não Opção


Critérios desejável intermediária Opção excelente
Preço Os três

Qualidade de acabamento final Os três


do produto

Qualidade de acordo com Os três


exigência do mercado brasileiro

Prazo de entrega Chinês / Ucraniano Francês

Forma de pagamento Os três

Embalagem do produto Chinês Francês / Ucraniano

Custos da Importação e outros custos (CI): 47% do valor FOB


Custo das Mercadorias Vendidas (CMV): (FOB 1 C/C 1 CI)
Receita líquida de vendas no mercado nacional (RLV): US$600,00/t * 3.000t 5
US$1.800.000,00
Margem de contribuição na importação (MCI): RLV – CMV
Margem de contribuição na importação (MCI) %: MC /RLV
Margem de contribuição a priori (MC): US$300.000,00 (ver Tabela 2. 3)
Diferença entre MC a priori e MCI: MC – MCI
Diferença entre MC a priori e MCI, %: (MC – MCI)/RLV

A Tabela 2.5 mostra o resumo dos cálculos dos custos da importação e da margem de


contribuição a ser auferida na operação de importação com cada um dos fornecedores.
Para a conclusão da análise, faz-se necessária a comparação da margem de con-
tribuição do produto nacional com a do produto importado. A priori, sabe-se que a
margem de contribuição da venda do produto do fornecedor nacional é de 16,6%, o
que resulta no valor de US$300.000,00 (ver Tabela 2.3). Já na Tabela 2.6 evidencia-se
o cálculo da margem de contribuição do produto importado, bem como sua comparação
com o produto nacional.

TABELA 2.5 Cálculo da margem de contribuição na importação

Fornecedor Preço Unitário FOB C/C CI CMV RLV MCI


Francês 310 930.000 27.900 437.100 1.395.000 1.800.000 405.000

Chinês 295 885.000 26.550 415.950 1.327.500 1.800.000 472.500

Ucraniano 300 900.000 27.000 423.000 1.350.000 1.800.000 450.000


Capítulo | 2 Avaliação da escolha de um fornecedor... 33

TABELA 2.6 Comparativo da margem de contribuição do produto nacional


e do importado

Fornecedor RLV CMV MCI MCI (%) MC MC– MCI MC–MCI (%)
Francês 1.800.000 1.395.000 405.000 22,5% 300.000 105.000 5,9%

Chinês 1.800.000 1.327.500 472.500 26,3% 300.000 172.500 9,7%

Ucraniano 1.800.000 1.350.000 450.000 25,0% 300.000 150.000 8,4%

Observa-se, na Tabela 2.6, que a rentabilidade do produto importado é maior. Ao


se trabalhar com o produto dos fornecedores francês, chinês e ucraniano, obtém-se
uma margem de contribuição aproximadamente 6%, 10% e 8% maior do que a do
produto nacional, respectivamente.
A decisão em favor do fornecedor chinês fica evidente, já que a margem de con-
tribuição apresentada é a maior de todas. Porém, lembrando-se que se trata de uma
decisão em condições de risco, deve-se avaliar a probabilidade de sucesso de cada
fornecedor. Conforme visto na Tabela 2.2, as probabilidades de sucesso/insucesso para
cada fornecedor, em função do risco conjuntural de intervenção política, foram de 90%
a 10% para o fornecedor francês, de 40% a 60% para o fornecedor chinês, e de
90% a 10% para o fornecedor ucraniano.
Havendo insucesso no fornecimento da mercadoria, o comprador incorre em
custo de abertura da carta de crédito. A Tabela 2.7 mostra o último elemento dessa
problemática, o modelo monetário, que transforma a decisão em valores monetários
esperados (VME).
Nota-se que o maior VME de US$402.300,00 indica que se deve optar pelo fornece-
dor ucraniano. A última etapa do processo decisório é preencher a Árvore de Decisão,
observando-se que o campo que representa o valor monetário de sucesso da decisão de
importação já está preenchido com a margem de contribuição estabelecida, a priori,
como valor igual a US$300.000,00 (ver valores na Tabela 2.4).

TABELA 2.7 Payoff para decisão de escolha do fornecedor estrangeiro

Decisão de Lucro/prejuízo Lucro/prejuízo


escolha do Probabilidade em cenário de Probabilidade em cenário de
fornecedor de sucesso sucesso (US$) de insucesso insucesso (US$) VME (US$)
Francês 90% 405.000 10% 227.900 361.710

Chinês 40% 472.500 60% 226.550 173.070

Ucraniano 90% 450.000 10% 227.000 402.300


34 PARTE | I  Métodos de Apoio à Tomada de Decisão

O cuidado a ser tomado é não incorrer em duplicidade de valores. Por isso, deve-se
anular o valor de margem de contribuição no cenário de mercado (US$ 300.000,00 e
US$246.000,00) e lançar o valor da margem de contribuição no campo correspondente
de cada fornecedor. Desta maneira, a probabilidade de ocorrência de sucesso do
fornecedor com melhor oferta será a seguinte:
● Probabilidade de aquecimento do mercado de 0,8 * Probabilidade de sucesso de
0,9 = 0,72.
● Probabilidades de sucesso dos outros fornecedores são calculadas da mesma ma-

neira e o mesmo procedimento vale para o ramo de combinação decisão – cenário


“Importar – Mercado estável”.
A margem de contribuição nessa combinação terá descontado a oportunidade de
remuneração do capital perdida (ver Tabela 2.3), conforme se encontra mensurado
na Tabela 2.8.
Nota-se que os valores mensurados na Tabela 2.8 vão gerar a melhor alternativa
em decorrência de o cenário de mercado permanecer estável. Preenchendo os dados
na árvore, tem-se o caminho para a melhor decisão a ser tomada, tal como mostra a
Figura 2.3.
A ferramenta apresenta os resultados obtidos na tabela payoff do fornecedor (ver
a Tabela 2.7) e o ramo “VERDADEIRO” indica a melhor alternativa, com VME de
US$402.300,00, do fornecedor ucraniano no cenário de aquecimento do mercado.
A análise da Figura 2.3 apresenta os resultados para ambas as conjunturas, tanto
para aquecimento do mercado como para permanência do mercado estável. Têm-se
claros os resultados para alternativas de escolha de qualquer opção analisada. O
método utilizado apresenta resultados monetários após revelação de informação sobre
o mercado:
● Optando por importar e o mercado permanecendo estável – seguindo o ramo
“VERDADEIRO”, o maior valor monetário apresentado é de US$358.034.
● Optando por importar e ocorrendo o aquecimento do mercado – o ramo “VERDA-

DEIRO” que apresenta o maior valor monetário é de US$402.300.

TABELA 2.8 Margem de contribuição para decisão importar – cenário mercado


estável

Oportunidade
Decisão de Custo das Margem de remuneração do Lucro/prejuízo do
escolha do mercadorias contribuição capital por três meses, cenário de mercado
fornecedor vendidas (US$) (US$) 1,2% a.m. (US$) estável (US$)
Francês 1.395.000 405.000 50.825 354.175

Chinês 1.325.500 472.500 48.292 424.208

Ucraniano 1.350.000 450.000 49.185 400.815


Capítulo | 2 Avaliação da escolha de um fornecedor... 35

A possibilidade de alterar valores e, principalmente, as probabilidades, à medida que


são recebidas novas informações, proporciona flexibilidade gerencial ao tomador
de decisão. Desta forma, o modelo proposto torna-se uma ferramenta ágil e precisa.

FIGURA 2.3  Estruturação completa da árvore de decisão para escolha de opções.


36 PARTE | I  Métodos de Apoio à Tomada de Decisão

Vencida a principal etapa de modelagem do problema, considerada a mais com-


plexa, o administrador poderá recorrer ao modelo já elaborado quantas vezes seja
necessário.
Vale salientar que, devido à complexidade do desenvolvimento do modelo baseado
no estudo de caso, algumas abordagens foram simplificadas. Dentre as principais
limitações, destacam-se:
● o número de dados quantitativos sobre as ofertas de fornecedores estrangeiros,
reduzido às informações essenciais, com o intuito de facilitar o entendimento do
problema no nível macro;
● a avaliação do grau de incerteza por meio da atribuição de probabilidade, reduzida a

dois cenários: de mercado e da conjuntura de política industrial no país de origem.


Isso foi feito com a ressalva de que árvores muito complexas são de difícil análise
e visualização.

CONSIDERAÇÕES FINAIS
Pode-se afirmar que o uso de modelos de decisão no processo decisório resulta em
decisões eficazes, mesmo que o resultado, à primeira vista, não apresente a alternativa
mais lucrativa. O modelo traduz a melhor opção em valores monetários esperados,
considerando certas probabilidades de sucesso e insucesso. Portanto, a Teoria da
Decisão deve ser utilizada nos processos decisórios em condições de risco para gerar
respostas assertivas baseadas em métodos e evitar julgamentos puramente intuitivos
dos tomadores de decisão.
Um dos impedimentos para a difusão do método seria a falta de habilidade
junto à ferramenta por parte do tomador de decisão, que é adquirida com acompa-
nhamento do especialista e depois de algum tempo de uso. Os conceitos de nó de
decisão e de nó de cenário devem ser bem entendidos e diferenciados na aplicação
do problema.
Em termos de julgamentos gerenciais no processo de decisão, os decisores não
devem deixar de considerar a possibilidade da presença de vieses ou pré-conceitos,
sob pena de afetarem e comprometerem o processo como um todo. Os decisores
envolvidos no processo de tomada de decisão devem ter em mente que, na busca pela
melhor decisão, devem trabalhar com todas as informações disponíveis, inclusive
aquelas consideradas difíceis.
Não obstante os problemas de construção da Árvore de Decisão, seria injusto não
mencionar as vantagens desse método, que consiste em um processo relativamente
rápido de aprendizagem, pois a construção de regras acontece em linguagem de
usuário, além de ser possível gerar regras em áreas em que um profissional tem
dificuldades de estruturar seus conhecimentos. É conveniente para a construção
de modelos não paramétricos e mesmo assim possui uma clara classificação e alto
nível de predição.
Nesse contexto, a Árvore de Decisão é uma ferramenta de apoio no processo de
tomada de decisão. Muitos softwares destinados à análise de dados já dispõem de
técnicas de construção de Árvores de Decisão. Em áreas em que o preço de um erro é
muito alto, são de grande ajuda no trabalho do analista ou do gerente.
Capítulo | 2 Avaliação da escolha de um fornecedor... 37

Cabe destacar que as Árvores de Decisão garantem maior flexibilidade sobre os


mecanismos tradicionais à medida que as decisões são definidas com maior grau de
flexibilidade, visto que muitos eventos podem ser mapeados ao longo dos diversos
ramos, envolvendo várias decisões de sequenciamento. Além disso, a Árvore de
Decisão acaba incorporando conceitos de incerteza na análise de alternativas de inves-
timentos ou financiamentos, o que a torna uma técnica muito eficaz.
Uma grande vantagem da aplicação da ferramenta quantitativa apresentada
neste capítulo refere-se ao fato de que uma decisão de priorização de determinado
investimento em relação a outros não é apresentada de forma intuitiva em uma
“caixa preta”. Ela se encontra amparada em uma modelagem matemática robusta
e transparente, que apresenta um encadeamento lógico e racional de premissas e
preferências por parte do decisor acerca de cada um dos atributos considerados
durante o processo.

EXERCÍCIOS
1. Resolva, sem o auxílio de nenhum software, a árvore a seguir:

2. Novembro de 2012. Um estudante precisava decidir o que fazer com seu Corsa
2009. O gerente da oficina mecânica com que trabalha lhe telefonara pela manhã
dizendo que, ao fazerem a revisão de rotina no carro, verificaram que o motor
não estava em boas condições e, para evitar um dano permanente, era preciso
38 PARTE | I  Métodos de Apoio à Tomada de Decisão

um serviço imediato que custaria, provavelmente, R$ 1.200. Foi solicitada


autorização para fazer o serviço, mas o estudante mostrou-se indeciso, pois
sua situação financeira era crítica, pelo menos até quando voltasse a trabalhar,
em novembro de 2013. Devido a este fato, ele resolveu minimizar suas des-
pesas com o carro durante os 12 meses seguintes. Para poder tomar a melhor
decisão, o estudante passou a manhã investigando as alternativas possíveis. Por
volta do meio-dia, concluiu que deveria optar por ou trocar o seu Corsa por um
Palio novo, ou manter o Corsa. Se decidisse pela troca, evitaria o conserto. O
dispêndio de caixa líquido com o novo carro, dando o Corsa como troca, seria
R$ 3.000, que ele precisaria pagar imediatamente. Se decidisse manter o Corsa,
ainda não estava convencido se deveria fazer o conserto de R$ 1.200. Mesmo
que autorizasse o conserto, continuaria tendo que fazer reparos anuais de cerca
de R$ 1.000 no carro. Se decidisse não consertá-lo, ele achava que havia uma
chance de apenas 40% de o carro quebrar e uma chance de 60% de ele não que­
brar. Se ocorresse um enguiço sério, parecia igualmente provável que o conserto
custaria R$ 2.000 ou R$ 3.000. Como ambos os carros teriam valores de mercado
mais ou menos iguais em um ano, o estudante achava que este fato não precisaria
ser considerado. No entanto, ele achava que os custos com combustível eram
relevantes. Estimou-os em R$ 2.400 para o Corsa e em R$ 1.100 para o Palio,
no decorrer dos 12 meses seguintes. Analise o problema de decisão e recomende
uma estratégia a ser seguida.

3. Um explorador de petróleo precisa decidir se perfura ou não determinado local. Ele


não está certo se a perfuração será seca ou molhada. Seus lucros são determinados
pelas suas ações e pela natureza do poço: o custo de perfuração é de R$ 700.000;
se um poço molhado for perfurado (50% de probabilidade), o lucro bruto é de
R$ 1.700.000.
a. O poço deve ou não ser perfurado?
b. Por um custo de R$ 100.000, o explorador poderia fazer uma série de sondagens
sísmicas capazes de determinar a estrutura geológica do local. As sondagens
mostrarão se o terreno subterrâneo tem: (i) nenhuma estrutura (ruim) – 40% de
probabilidade; (ii) estrutura aberta (mais ou menos) – 35% de probabilidade;
ou (iii) estrutura fechada (muito bom) – 25% de probabilidade. A probabilidade
de o poço estar seco depende do resultado do teste: (i) teste sísmico revelando
“nenhuma estrutura” – 75%; (ii) teste sísmico revelando “estrutura aberta” –
50%; ou (iii) teste sísmico revelando “estrutura fechada” – 10%. O teste sísmico
deve ser feito? Qual é a ação ótima agora?
c. Se o teste sísmico fosse perfeito, ou seja, indicando sempre “nenhuma estrutura”
para um poço seco e “estrutura fechada” para um poço molhado, até que valor
estaria o explorador disposto a pagar por este teste?

4. Um corretor de imóveis recebe uma proposta para colocar três salas comerciais
à venda. Se ele aceitar o negócio, terá que desembolsar R$ 700 para aquisição
de um terno e realização de um pequeno reparo no seu automóvel. Além disso, o
custo para tentar vender cada imóvel (ligações telefônicas, deslocamento, tempo
Capítulo | 2 Avaliação da escolha de um fornecedor... 39

despendido etc.) pode ser estimado como equivalente a 0,40% do preço de venda
do imóvel. O corretor é obrigado a começar as tentativas de venda pelo imóvel A
e nunca deve tentar vender dois imóveis simultaneamente. Se e quando ele vender
o imóvel A, poderá escolher qual imóvel tentará vender em seguida. Mas se, após
um mês, falhar na tentativa de vender o imóvel A (ou qualquer outro), não poderá
continuar tentando vender os outros imóveis. Mas ele também pode desistir de
continuar tentando quando quiser; não precisa esperar um fracasso. Sua comissão
de venda é de 4% sobre o valor do imóvel e os demais dados relevantes encon-
tram-se a seguir.
Imóvel Preço Comissão Custo Pr (sucesso)
A R$ 25.000,00 R$ 1.000,00 R$ 800,00 70%
B R$ 50.000,00 R$ 2.000,00 R$ 200,00 60%
C R$ 100.000,00 R$ 4.000,00 R$ 400,00 50%

a. Ele deve aceitar o negócio? Se sim, em que ordem deve tentar vender os outros
imóveis? Em que momento deve parar?
b. O corretor está inseguro quanto à probabilidade de vender o imóvel A. Para
quanto este parâmetro deveria mudar para mudar a decisão do corretor de
aceitar ou não o negócio? Quanto passaria a valer o negócio para o corretor
para diferentes valores deste parâmetro?
c. Faça uma análise de sensibilidade completa em relação à probabilidade de venda
dos três imóveis. Considere que a probabilidade de vender A é, no mínimo, 30%
e, no máximo, 90%; a de vender B é, no mínimo, 30% e, no máximo, 80%; e a
de vender C é, no mínimo, 25% e, no máximo, 75%. Qual dos três parâmetros
apresenta maior potencial para impactar o valor do negócio?
d. Agora considere o perfil de aversão a risco do corretor: para ele, ter 50% de
chance de ganhar R$ 1.600 e 50% de chance de ganhar R$ 5.600 não equivale
a ganhar, com certeza, R$ 3.600 (o valor esperado), mas, sim, R$ 2.500. Res-
ponda novamente as questões levantadas na letra a.

REFERÊNCIAS
ALBRIGHT, S.; WINSTON, W.; ZAPPE, C. Data analysis & decision making with Microsoft Excel. 2. ed.
[SI]: Thomson Brooks/Cole, 2003.
CARVALHO, I. Métodos de mineração de dados (Data Mining) como suporte à tomada de decisão. Dis-
sertação de Mestrado, ITA, São José dos Campos, SP, 2002.
CORRAR, L.; THEÓPHILO, C. Pesquisa operacional para decisão em contabilidade e administração.
São Paulo: Atlas. 2004.
GALESNE, A.; FENSTERSEIFER, J.; LAMB, R. Decisões de investimentos da empresa. 2. ed. São Paulo:
Atlas. 1999.
GAMA, J. Árvores de decisão, 2000. Disponível em: http://www.liacc.up.pt/∼jgama/Mestrado/ECD1/
Arvores.html. Acesso em 14/08/2004.
GOMES, L.; ARAYA, M.; CARIGNANO, C. Tomada de decisões em cenários complexos. São Paulo:
Pioneira Thompson Learning. 2004.
GOMES, L.; GOMES, C.; ALMEIDA, A. Tomada de decisão gerencial. São Paulo: Atlas. 2002.
MINARDI, A. Teoria de opções aplicada a projetos de investimentos. São Paulo: Atlas. 2004.
40 PARTE | I  Métodos de Apoio à Tomada de Decisão

PINDYCK, R.; RUBINFELD, D. Microeconomia. 2. ed. São Paulo: Makron Books. 1994.
PRADO, E.; YU, A. Análise de decisão na terceirização da tecnologia de informação: um estudo de caso no
setor químico brasileiro. In: SEMINÁRIOS DE ADMINISTRAÇÃO DA USP – SEMEAD, 6, 2003,
São Paulo. Anais... São Paulo: USP/FEA. 2003.
SECURATO, J. Decisões financeiras em condições de risco. São Paulo: Atlas. 1996.
TONETTO, L. M.; KALIL, L.; MELO, W.; SCHNEIDER, D.; STEIN, L. O papel das heurísticas no
julgamento e na tomada de decisão sob incerteza. Estudos de Psicologia, v. 23, nº 2, 181-189, abr./
jun. 2006.
KAHNEMAN, D.; TVERSKY, A.; Prospect theory: An analysis of decision under risk. Econometrica,
v. 47, March 1979.
Capítulo 3

Simulação do escoamento de arroz


para verificar se a intermodalidade
compensa
Luís Otávio Marins Ribeiro
MADE/UNESA

Marco Aurélio Carino Bouzada


MADE/UNESA

Objetivos de aprendizagem do capítulo


● Saber modelar um problema real complexo em situação de risco através da Simulação
de Monte Carlo.
● Aprender a gerar números aleatórios e a transformá-los em variáveis aleatórias
com suas próprias distribuições de probabilidades.
● Entender como replicar a simulação e coletar e analisar as estatísticas de saída.
● Saber conduzir uma Análise de Sensibilidade acerca dos parâmetros mais importantes.
● Entender as vantagens de uma abordagem experimental em comparação a uma
abordagem analítica no tratamento de problemas complexos.

INTRODUÇÃO
A logística vem mostrando que seu uso adequado dentro das empresas pode trazer
benefícios aos processos, com consequente redução nos custos. O processo mais
custoso para as empresas é o de transporte. A atividade de transporte representa
até 60% dos custos logísticos.1 Não só no Brasil, mas em todo o mundo, busca-se a
melhoria na infraestrutura e nos processos dos transportes, na tentativa de redução
nos custos.
Já ouvimos há muito tempo que o escoamento da produção no Brasil não funciona
adequadamente, seja pelo estado de má conservação das estradas, seja por não existir ou-
tro modal, com a mesma disponibilidade do rodoviário, que possa escoar esta produção.
Como a malha ferroviária brasileira está concentrada nas regiões Sul e Sudeste,
seria necessária a utilização de outros modais que permitissem acessar as demais

1. Gomes; Ribeiro (2004).

41
42 PARTE | I  Métodos de Apoio à Tomada de Decisão

TABELA 3.1 Comparação das principais características dos modais2

Ferroviário Rodoviário Marítimo Dutoviário Aéreo


Velocidade 3° 2° 4° 5° 1°

Disponibilidade 2° 1° 4° 5° 3°

Dependência 3° 2° 4° 1° 5°

Capacidade 2° 3° 1° 5° 4°

Frequência 4° 2° 5° 1° 3°

Custo fixo 4° 1° 2° 5° 3°

Custo variável 3° 4° 2° 1° 5°

2 Adaptação de Bowersox; Closs (2001).

regiões. Estes modais poderiam ser o rodoviário e o hidroviário, por exemplo. Na


verdade, por que o transporte de carga precisa ficar restrito a uma modalidade apenas
de transporte se cada uma delas apresenta diferentes vantagens, tornando-se mais
adequada, portanto, a trechos, circunstâncias e situações específicas?
Para ilustrar essas diferenças de adequação entre os modais, é apresentada, a seguir,
a Tabela 3.1, que compara as características mais relevantes dos modais de transportes,
dando, assim, uma visão das diferenças entre eles, possibilitando uma melhor decisão
em relação a que modal utilizar e em que momento.
Partindo desse ponto, surge a pergunta: seria possível reduzir os custos com o uso
da intermodalidade de transporte?3 Ou, ainda, seria possível reduzir os custos logís-
ticos de transportes, para uma grande quantidade de carga e em um longo percurso,
com o uso da intermodalidade de transporte, sem impactar de forma significativamente
prejudicial a qualidade do nível de serviço?
Mas quais seriam as possibilidades adicionais de modais a serem utilizados? Dos
cinco modais utilizados para o transporte de carga, deu-se ênfase ao rodoviário, ao
ferroviário e ao hidroviário. Os outros dois ficaram de fora, pois o aéreo apresenta
custo demasiadamente alto e o por dutos é por demais limitado a produtos bem es-
pecíficos.
Dessa forma, a sugestão consiste em dividir os percursos mais longos entre os
modais rodoviário, ferroviário e hidroviário (não necessariamente nessa ordem) e,
assim, utilizar as vantagens de cada um para compensar as desvantagens apresentadas
pelo outro. Ou seja, se nos detivermos ao que há de melhor em cada modal, poderemos
utilizar os pontos fortes de cada um, sobrepujando os pontos fracos de cada modal
utilizado.

3. Integração dos serviços de mais de um modo de transporte, desde o momento da carga inicial até a des-
carga final.
Capítulo | 3 Simulação do escoamento de arroz para verificar... 43

Para ajudar a responder às perguntas colocadas anteriormente, propomos a utili-


zação da ferramenta de Simulação de Monte Carlo, uma vez que esta metodologia já
é utilizada em estudos logísticos com bastante frequência.

SIMULAÇÃO DE MONTE CARLO


A Simulação de Monte Carlo é um método de avaliação interativa de um modelo
determinístico que usa números randomizados como entradas. Esse método é mais
utilizado quando o modelo é complexo, ou não linear, ou quando envolve um número
razoável de parâmetros de incerteza. Uma simulação pode envolver mais de 10 mil
avaliações do modelo estudado, uma tarefa difícil que no passado só poderia ser
realizada por supercomputadores.4
O método de Monte Carlo, um entre vários voltados para análise da propagação
da incerteza, tem como grande vantagem poder determinar como uma variação ran-
domizada, já conhecida, ou o erro afetam o desempenho ou a viabilidade do sistema
que está sendo modelado.5
Atualmente, a complexidade dos processos logísticos faz com que as ferramentas
estáticas e determinísticas tenham aplicabilidade pontual. A Simulação é uma ferra-
menta que leva em consideração a dinâmica e a aleatoriedade presentes nos processos
logísticos, avaliando-os com precisão muito maior e permitindo ganhos substanciais
nas operações.6
A Simulação é a técnica mais utilizada no planejamento de sistemas logísticos
pelo fato de poder abordar questões referentes à escolha dos modais de transporte e
da localização de armazéns, aos custos de transportes e de imobilização, ao nível de
serviço aos clientes etc. Torna-se possível, assim, avaliar os diversos componentes do
sistema e optar pelas formas mais adequadas de operação.7
A Simulação tem acompanhado a evolução da importância da Logística no meio
empresarial. Necessidades de alocação de espaço, requisitos de movimentação cada
vez mais variados são apenas algumas das questões de distribuição e armazenagem que
podem ser tratados. Uma vez que a Logística, em muitos aspectos, está relacionada à
movimentação de operações envolvendo o tempo, às mudanças de locais e aos eventos
probabilísticos, a modelagem dinâmica se torna fundamental. A principal vantagem da
aplicação da Simulação em sistemas logísticos consiste no fato de permitirem testar
virtualmente as alternativas de operação.8
Podemos entender, então, a Simulação como uma das ferramentas mais apreciadas
para os estudos de processos logísticos. Ela nos permite representar os problemas de
forma mais próxima à realidade, em função da quantidade de dados utilizados. E os
resultados, então, são avaliados com maior precisão. de forma mais precisa.

4. Shamblin; Stevens Jr. (1979).


5. Moore; Weatherford (2005).
6. Chwif (2008).
7. Johnson; Wood (1996).
8. Johnson; Wood (1996).
44 PARTE | I  Métodos de Apoio à Tomada de Decisão

A SIMULAÇÃO DO ESCOAMENTO DA PRODUÇÃO DE ARROZ


Comparada a outras ferramentas, a Simulação demonstra boa representação das
situações complexas e incertas do mundo real. Por isso, é considerada de grande
importância neste estudo para ajudar na verificação, entre outros impactos, da possível
redução de custos logísticos a partir da utilização da intermodalidade de transporte.
Assim, foi escolhida para este estudo a técnica de Simulação como o mecanismo
metodológico, em função da sua capacidade para proporcionar a visão sistêmica sobre
a realidade operacional. A ideia consiste em estabelecer uma metodologia capaz de
obter uma confirmação referente à possibilidade de redução dos custos logísticos
através do uso da intermodalidade de transporte. Apesar de procurar avaliar também
outros indicadores de desempenho, a ênfase está na análise dos custos de transportes,
de modo a auxiliar a identificação da melhor forma de agrupar os modais de transportes
no escoamento da produção, podendo assim alcançar a otimização na distribuição dos
produtos.
A Simulação foi aplicada a partir de parâmetros reais e ambientada em uma planilha
do Excel, ilustrada parcialmente na Figura 3.1. Estamos considerando o transporte da
produção de arroz, partindo do Vale do Jacuí (RS) até a Região dos Lagos (RJ).
Na Figura 3.1 são apresentadas as variáveis aleatórias utilizadas para aplicação da
ferramenta de Simulação no caso do transporte unimodal9 rodoviário.
A carga a ser transportada é de 1.200t, por um trecho de 1.922km, percurso a ser
percorrido em dois dias, de acordo com a exigência do cliente. A velocidade média do
caminhão foi considerada como uma variável aleatória, com Distribuição Triangular, de
mínimo de 40km/h, máximo de 70km/h e moda de 60km/h. Além da velocidade média,
foram consideradas como variáveis aleatórias (também com Distribuição Triangular):
as horas úteis por dia, sendo o mínimo de 12 horas, máximo de 17 horas e moda (valor
mais provável) de 15 horas; e o custo de transporte por tonelada, sendo este modelado
com um mínimo de R$ 55, máximo de R$ 78 e moda de R$ 60.
Foram simuladas mil ocorrências para que o experimento pudesse ser validado es-
tatisticamente. De cada uma delas sorteou-se a velocidade média e as horas úteis por
dia, tendo sido calculada a partir delas a duração do trajeto em horas e o consequente
nível de serviço. Para efeitos deste estudo, foi considerado apenas o aspecto de nível
de serviço referente ao percentual de vezes em que o prazo estipulado pelo cliente –
dois dias – foi cumprido. Também foi sorteado o custo por tonelada e, a partir dele,
calculado o custo total.
Em seguida, foi abordado o caso da intermodalidade, em que os parâmetros também
foram baseados em dados reais. Para este caso, também foi utilizada a Distribuição
Triangular para modelar o comportamento de todas as variáveis aleatórias.
O primeiro trecho foi considerado como realizado pelo modal rodoviário, e a
distância do percurso que vai de Cachoeira do Sul até Porto Alegre foi levantada,
respeitando os outros parâmetros utilizados pelo modal em questão na primeira
simulação. O trecho realizado pelo modal ferroviário foi de Porto Alegre (RS) até
o Porto de São Francisco do Sul (SC). Por último, para o modal hidroviário foi

9. Utilizando apenas um modo de transporte.


Capítulo | 3 Simulação do escoamento de arroz para verificar...
FIGURA 3.1  Ilustração parcial da planilha de simulação (alternativa unimodal).

45
46 PARTE | I  Métodos de Apoio à Tomada de Decisão

considerado o percurso do Porto de São Francisco do Sul (SC) até o Porto do Forno
em Arraial do Cabo (RJ). Ainda foram levados em consideração os custos de trans-
bordo, do caminhão para o trem e do trem para o navio, considerando as variáveis
mencionadas anteriormente.
Torna-se relevante ressaltar que foi considerado o uso do contêiner para o trans-
porte da carga, uma vez que a sua utilização facilita o transbordo.
Também no caso da intermodalidade, foram simuladas mil ocorrências do ex-
perimento. Para o modal rodoviário, utilizou-se o mesmo procedimento do caso
unimodal. Para cada um dos outros modais, o ferroviário e o hidroviário, sorteou-se
apenas a velocidade média e o custo por quilômetro por cada mil toneladas, uma vez
que consideramos úteis as 24 horas do dia. Em seguida, foi calculada a duração da
viagem.
No caso do transbordo para ambos, houve o sorteio da duração unitária (em minutos
por tonelada) e, a partir dela, o cálculo da duração total em dias. O custo de cada
transbordo foi calculado a partir da respectiva duração e do custo unitário (em reais
por minuto).
Por fim, foram somadas as durações (em dias) das viagens empreendidas pelos
três modais envolvidos na intermodalidade e dos transbordos. A partir deste total, foi
gerado o nível de serviço intermodal (percentual de vezes em que o prazo estipulado
pelo cliente – dois dias – foi cumprido). Também foram somados todos os custos
envolvidos na simulação intermodal, incluindo transportes e transbordos.
Os principais indicadores de desempenho considerados na análise – duração média
da viagem (em dias), nível de serviço e custo médio – foram coletados para o conjunto
de mil simulações; os resultados estão apresentados na Tabela 3.2 a seguir.
Os resultados das alternativas unimodal e intermodal estão apresentados lado a
lado (para comparação), além da diferença percentual ocasionada pelo uso da in-
termodalidade em cada indicador de desempenho.
Esses resultados, na verdade, são dinâmicos e mudam a cada vez que os valores
da planilha são atualizados. O conteúdo da Tabela 3.2 é apenas uma fotografia, não
captando, naturalmente, o aspecto dinâmico desses valores.
Como pode ser observado, os valores obtidos para cada um dos modos de trans-
portes – intermodalidade (rodoviário, ferroviário e hidroviário) e unimodalidade
(rodoviário) – são razoavelmente diferentes. No caso da duração média em dias, o
intermodal apresenta 2,12 dias, ao passo que o unimodal apresenta 2,36 dias. Isto
surpreende, pois o intermodal se mostra com um tempo médio de entrega menor;
enquanto esperava-se que o unimodal o superasse neste indicador. No caso do nível
de serviço, como consequência da duração média, a intermodalidade também supera
a unimodalidade: temos 29,20% e 11,60%, respectivamente. Já em relação ao custo
médio, era esperado um custo bem menor para a intermodalidade em relação ao
unimodal e, o que podemos observar, embora seja um custo menor e significante, a
diferença não é tão grande assim, sendo de R$ 63.910,78 para o intermodal e de R$
76.473,26 para o unimodal.
Após a simulação do cenário básico – carga de 1.200t e dois dias de prazo de
entrega – foi feita uma análise de sensibilidade em relação a esses dois parâmetros –
variando a carga para 600t e 2.400t e o prazo de entrega para três dias.
Capítulo | 3 Simulação do escoamento de arroz para verificar...
TABELA 3.2 Indicadores de desempenho para cada possibilidade de transporte (intermodal e unimodal) – utilizando dois dias
como prazo de entrega e 1.200t para a carga

Intermodal Unimodal Diferença (%)


Rodoviário Transbordo Ferroviário Transbordo Hidroviário Total Rodoviário Diferença (%)

Duração média (d) 0,16 0,04 0,92 0,09 0,91 2,12 2,36 –10,18%

Nível de serviço 29,20% 11,60% 151,72%

Custo médio R$ 10.258,49 R$ 87,81 R$ 28.507,94 R$ 401,90 R$ 24.654,63 R$ 63.910,78 R$ 76.473,26 –16,43%

47
48 PARTE | I  Métodos de Apoio à Tomada de Decisão

TABELA 3.3 Indicadores de desempenho para cada possibilidade de transporte


intermodal e unimodal – análise de sensibilidade para o prazo de entrega
e a carga transportada

Duração média (d) Nível de serviço Custo médio


1.1.200t – 2 dias Intermodal 2,12 29,20% R$ 63.910,78

Unimodal 2,36 11,60% R$ 76.473,26

1.200t – 3 dias Intermodal 2,13 100,00% R$ 63.890,69

Unimodal 2,36 96,40% R$ 76.662,44

600t – 2 dias Intermodal 2,08 37,20% R$ 32.074,10

Unimodal 2,36 11,80% R$ 38.270,63

2.400t – 2 dias Intermodal 2,23 7,30% R$ 127.873,30

Unimodal 2,36 12,70% R$ 153.659,15

A simulação foi rodada novamente para cada cenário, e os resultados foram co-
letados, estando apresentados em conjunto com os do cenário básico na Tabela 3.3.
É válido destacar o último cenário, em que a alternativa intermodal mostrou-se mais
rápida (2,23 dias) – na média! – do que a alternativa unimodal (2,36), mas encerrou
um nível de serviço inferior (7,30% contra 12,70%). Tal aparente paradoxo deve-se
à maior variabilidade das durações das viagens unimodais, que apresentam valores
em média um pouco mais altos, mas com ocorrências extremas, fazendo com que um
percentual maior das viagens dure muito ou muito pouco, ficando abaixo da barreira
dos dois dias mais vezes do que no caso intermodal.
Tal tipo de constatação só foi possível devido ao uso da Simulação, visto que, nor-
malmente, através de abordagens analíticas só se consegue observar o comportamento
médio das grandezas relevantes.

CONSIDERAÇÕES FINAIS
Os resultados deste estudo foram obtidos a partir da Simulação com dados reais e per-
mitiram verificar a viabilidade da intermodalidade em uma situação real de escoamento
da produção de arroz – de Cachoeira do Sul (RS) até Arraial do Cabo (RJ). Este era o
principal objetivo da pesquisa – a análise a respeito das vantagens e das desvantagens
oriundas do uso da intermodalidade, neste caso específico, além de validar a utilização
da Simulação, instrumento que foi capaz de considerar as incertezas presentes nesta
operação logística e de subsidiar com informações úteis para o processo decisório,
como o impacto no custo e em outros indicadores de desempenho.
Em relação à incerteza, o exemplo real apresentado neste trabalho considerou es-
tocástico o comportamento de diversas grandezas capazes de impactar o desempenho
do sistema: velocidade média de transporte e de transbordo, horas disponíveis por
Capítulo | 3 Simulação do escoamento de arroz para verificar... 49

dia para o modal rodoviário e custos unitários de transporte e de transbordo. Tais


grandezas foram modeladas a partir da Distribuição Triangular de probabilidades,
mas a flexibilidade da Simulação permite que qualquer distribuição – principalmente
nos casos em que nenhuma distribuição teórica represente bem o comportamento da
grandeza – seja usada. Tal característica da ferramenta permitiu que a realidade fosse
modelada de forma bem acurada, uma vez que houve um esforço na coleta dos dados
necessários para uma representação realista do problema em questão.
A partir desses resultados, foi possível observar que, no caso da duração média, a
alternativa intermodal apresenta uma quantidade em dias inferior à da unimodal. Es-
perava-se que, com o uso da intermodalidade, o nível de serviço caísse um pouco, sendo
tal queda irrelevante diante da redução dos custos. Mas em relação a esse atributo, como
consequência da duração média, a intermodalidade também supera a unimodalidade
na maioria dos cenários, o que causou certa surpresa. Tal fato pode ser explicado em
parte: (i) pela presença – no trecho em questão – de muitas montanhas no caminho dos
caminhões, diminuindo um pouco a velocidade média; (ii) e pelo desenho recortado
do litoral brasileiro e da sua malha viária costeira, que impossibilita os caminhões de
percorrerem uma linha reta (o que não acontece com os navios), tornando a distância
unimodal maior do que o somatório das distâncias dos trechos da alternativa intermodal.
Já em relação ao custo médio, esperava-se um custo menor para a intermodalidade em
relação ao unimodal, o que foi possível se observar em todos os cenários. Cabe aqui uma
ressalva, no sentido de que tais conclusões sejam consideradas com precaução. Esta pes-
quisa visou analisar apenas questões objetivas e quantitativas relacionadas à distribuição,
como custo e duração da viagem. Mas é claro que a alternativa intermodal – apesar de ter
se apresentado mais vantajosa nesses aspectos – envolve alguns inconvenientes potenciais
– como aspectos humanos relacionados ao comodismo e aversão à complexidade, além
de outros também menos tangíveis, envolvidos nos transbordos e em outros momentos da
operação intermodal – que não foram considerados e que podem constituir parte da causa
da restrita utilização da intermodalidade no mundo real, ao menos no Brasil.

EXERCÍCIOS
1. Existe interesse no cálculo da área sob a curva e–x2, entre os pontos 0 e 2.
50 PARTE | I  Métodos de Apoio à Tomada de Decisão

Como não existe uma função predefinida para o cálculo da área de uma figura
irregular como essa, precisaríamos obter a integral da função e calcular o seu valor
entre os pontos 0 e 2. O problema é que tal função não pode ser integrada; em
outras palavras, não é possível obter uma função analítica geral que represente a
integral da função em questão. O que se sabe (e pode ser demonstrado) a respeito
dessa função é que a sua integral definida – entre 0 e +∞ – é igual à metade da raiz
quadrada de pi, ou 0,8862, aproximadamente. No entanto, não queremos saber a
área desde 0 até o infinito, mas apenas até o ponto em que x = 2. Obviamente, este
valor que buscamos é menor do que 0,8862, que pode ser considerado um limite
superior para a área procurada.
a. “Distorça” a realidade e dê à figura uma forma da qual sejamos capazes de
calcular a área: o triângulo. Para tal, basta “fingirmos” que a curva é uma reta e,
assim, teremos um triângulo formado por tal segmento de reta e os dois eixos.
Calcule a área desse triângulo.
b. Agora descubra a área procurada de maneira experimental. Simule o sorteio
de 10 mil pontos dentro do retângulo imaginário (0;0) – (2;1), que engloba a
área procurada. Verifique que percentual (desses 10 mil pontos) caiu abaixo
da curva (ou seja, dentro da área visada), para ter uma boa ideia da área que
procuramos, já que a área do retângulo é conhecida.
c. Compare as duas abordagens.

2. O proprietário de uma empresa que vende material de camping está empenhado em


melhorar o atendimento da demanda de barracas, produto que tem importante parti-
cipação na receita da empresa. A margem de contribuição bruta unitária do produto
é de R$ 25,00. As perdas de vendas por falta de estoques têm sido constantes, já
que, em geral, os clientes que procuram o produto querem levá-lo no mesmo dia e
dificilmente aceitam esperar a chegada de novos pedidos. A capacidade do galpão
(alugado) utilizado para estocagem das barracas é suficiente, mas R$ 2,00 são
cobrados por dia por barraca armazenada no início do período (ou seja, você deve
considerar – para efeitos de cálculo do custo de estoque – o estoque inicial em vez
do estoque médio). Isso tem levado a empresa a ter certa cautela nas quantidades
do produto incluídas nos pedidos realizados. A dificuldade do proprietário está
em equacionar os pedidos de barracas, de forma a atingir um nível de satisfação
que considera aceitável – pelo menos 95% – e tentar maximizar o seu lucro. As
demandas diárias do produto, em termos de probabilidades de ocorrência, baseadas
em dados históricos dos últimos meses, são:
Demanda de barracas 11 12 13 14 15 16 17 18 19
Probabilidade 7% 9% 14% 20% 17% 13% 9% 7% 4%

Para cada pedido, é cobrado um frete de R$ 150. O prazo de entrega dos pedidos
também é variável e apresenta a seguinte distribuição de probabilidades:
Prazo de entrega dos pedidos (em dias) 2 3 4
Probabilidade 25% 55% 20%

No momento, o estoque é de 30 unidades e não existem pedidos a serem recebi-


dos (pendentes). Você foi contratado pela empresa para elaborar um modelo de
Capítulo | 3 Simulação do escoamento de arroz para verificar... 51

administração de estoques (ou seja, definir o ponto e a quantidade de ressupri-


mento), objetivando maximizar o lucro e respeitando o nível mínimo de serviço
(atendimento da demanda) exigido.
a. Simule a experiência para 100 dias, alterando as variáveis referentes ao modelo
de administração de estoques (ponto e quantidade de ressuprimento) e buscando
atingir os objetivos da empresa. Como se comportam os componentes do lucro
e o atendimento da demanda em face das mudanças nas variáveis citadas?
b. O que acontece com a busca da solução ótima, se o valor do frete passa a ser
R$ 250,00?
c. Refaça a simulação mantendo o valor do frete original, mas mudando o valor do
aluguel diário do espaço para armazenar as barracas para R$ 3,00 por unidade.
d. Elabore um relatório final com as suas recomendações.

3. Uma empresa comercial necessita dimensionar a capacidade de sua frota de entrega


visando satisfazer certo nível de serviço. As entregas da empresa são realizadas ape-
nas em dias úteis (adota-se a premissa de que o prazo normal – que ocorre quando
existe capacidade de entrega – é de um dia útil) e as necessidades são aleatórias,
com distribuição de probabilidades suposta uniforme, porém discreta, dependendo
do dia da semana. A tabela a seguir descreve as necessidades de entrega mínima e
máxima, de acordo com o dia da semana.
Segunda Terça Quarta Quinta Sexta
Entrega mínima 21 10 11 11 11
Entrega máxima 45 22 23 23 23

O objetivo é estudar a distribuição do prazo de entrega dos produtos em função da


capacidade diária de entrega, que poderá ser de 20, 22, 24, 26, 28 ou 30 volumes.
Para isso, deseja-se estimar a média e o desvio-padrão desse prazo para cada uma
das capacidades de entrega consideradas. Depois faça uma comparação entre as
possíveis capacidades de entrega.

REFERÊNCIAS
BOWERSOX, D.; CLOSS, D. Logística empresarial: o processo de integração da cadeia de suprimento.
São Paulo: Atlas. 2001.
CHWIF, L. Simulação aplicada à Logística. Revista Mundo Logística. Rio de Janeiro, nº 6 set./out.
GOMES, C.; RIBEIRO, P. Gestão da cadeia de suprimentos integrada à Tecnologia da Informação. São
Paulo: Thomson. 2004.
JOHNSON, J.; WOOD, D. Contemporary logistics. New Jersey: Prentice Hall. 1996.
MOORE, J. H.; WEATHERFORD, L. R. Tomada de decisão em administração com planilhas eletrônicas.
6. ed. Porto Alegre: Bookman. 2005.
SHAMBLIN, J. E.; STEVENS JR. G. T. Pesquisa operacional: uma abordagem básica. São Paulo: Atlas,
1979.
Capítulo 4

Abordando probabilisticamente
um problema com decisões sim
ou não: um estudo de determinação
de mix de projetos de consultoria
Carlos Alberto de Farias
MADE/UNESA

Marco Aurélio Carino Bouzada


MADE/UNESA

Objetivos de aprendizagem do capítulo


● Consolidar o aprendizado sobre modelagem e resolução de problemas segundo as
abordagens vistas nos três primeiros capítulos do livro.
● Aprender a abordar problemas em condições de incerteza de forma não determinís-
tica, mas sem considerar (e precisar de) as probabilidades de ocorrência dos eventos.
● Saber atacar um problema de decisão por meio de diferentes abordagens: Pro-
gramação Linear, Critérios não probabilísticos, Árvore de Decisão e Simulação de
Monte Carlo.
● Verificar que tipo de conclusões cada uma dessas abordagens é capaz de fornecer.
● Entender as diferenças, vantagens, desvantagens e aplicabilidade de cada uma dessas
abordagens.
● Visualizar um quadro comparativo entre essas abordagens de modo a saber identificar
qual a abordagem mais adequada em vista das características do problema a ser
atacado.

INTRODUÇÃO
O ambiente de tomada de decisão é dependente de quem decidirá e das informações
que se tem a respeito do problema. Podemos identificar três ambientes no processo
decisório: o de certeza, em que o tomador de decisão (administradores de empresas
ou gerentes) identifica com certeza os efeitos de todas as alternativas e decisões; o
de incerteza, em que o tomador de decisão não é capaz de atribuir as probabilidades de
ocorrências aos vários resultados das alternativas identificadas; e, por fim, o ambiente
53
54 PARTE | I  Métodos de Apoio à Tomada de Decisão

de risco, quando o tomador de decisão é capaz de atribuir probabilidades de ocorrência


aos cenários.1
Apesar da enorme contribuição das técnicas quantitativas aplicadas na solução de
problemas gerenciais, em algumas situações elas têm potencial limitado. Uma decisão
precisa ser tomada sempre que estamos diante de um problema que possui mais de
uma alternativa para sua solução. Num modelo de processo decisório, é necessário
analisar e identificar a situação e o problema, desenvolver e comparar as alternativas,
classificar os riscos de cada uma delas, escolher a melhor e executar (implantar) e
avaliar (validar ou não o processo utilizado), e para isso necessitamos de um modelo.2
Algumas situações se apresentam para a tomada de decisão, como: decisão em
condições de certeza, que ocorre quando a decisão é assumida com pleno conhecimento
de todos os estados da natureza; decisão em condições de risco, que ocorre quando são
conhecidas as probabilidades de cada estado, podendo variar entre 0% e 100% para
cada estado; decisão em condições de incerteza, que ocorre quando não se obteve total
ou parcialmente os estados conhecidos e a probabilidade associada a elas; decisão em
condições de competição ou conflito, quando há dois ou mais decisores envolvidos e
o resultado depende da escolha de cada um dos decisores. Nestes três últimos casos,
a decisão é considerada como não determinística.3
O aspecto não determinístico pode resultar de uma fonte de imprecisão causada
pela dificuldade de avaliar as ações sob a influência de um ou mais critérios, pela in-
determinação dos métodos de avaliação dos resultados, pela classificação ou opiniões
ambíguas ou ainda por eventos probabilísticos. O problema é que, quando existe a
incerteza, frequente no mundo empresarial, algumas técnicas não são adequadas. A
solução determinística (sem considerar as incertezas) para um problema pode ser bas-
tante desfavorável para a situação gerencial com a qual se depara a empresa.
Existem diversas ferramentas quantitativas já consagradas para adotar uma abor-
dagem determinística para resolução de problemas, dentre elas a Programação Linear
(ou o seu caso particular, a Programação Binária).4 Porém, em um contexto real das
organizações, as incertezas existem, como, por exemplo, quanto à rentabilidade de
um fundo de ações, e neste caso não deveria ser utilizado este tipo de abordagem.
Tomemos a situação de uma empresa que tem atualmente cinco propostas para
desenvolvimento de projetos, cada uma com um percentual de expectativa de se
tornar um contrato, baseado na experiência dos profissionais do setor comercial da
empresa.
A empresa trabalha hoje com 33 analistas e 87 programadores, sendo que 21
analistas e 61 programadores estão alocados em projetos atuais e 12 analistas e 26 pro-
gramadores estão terminando seus projetos. Cada proposta apresentada pela empresa
para se tornar um contrato tem as características mostradas na Tabela 4.1.
Quais propostas a empresa deveria desenvolver para obter maior lucro total, visto
que a disponibilidade de recursos (analistas e programadores) é razoavelmente escassa?

1. Gomes; Gomes; Almeida (2009).


2. Gomes; Gomes; Almeida (2009).
3. Gomes; Gomes; Almeida (2009).
4. Hillier (2006); Medeiros (2008).
Capítulo | 4 Abordando probabilisticamente um problema... 55

TABELA 4.1 Características de cada proposta

Proposta Perspectiva Recursos necessários Lucro (em R$) Qtd Horas


de se tornar
contrato Analistas Programadores
P1 50% 5 8 780.000 17.350

P2 100% 4 6 450.000 10.080

P3 10% 5 10 900.500 20.010

P4 30% 6 12 1.633.000 36.288

P5 60% 3 5 303.500 6.720

Se a empresa tivesse certeza de que todas as propostas lançadas seriam aceitas,


transformando-se em projetos, a Programação Binária5 poderia ser utilizada e a solução se
tornaria trivial. Neste tipo de situação – ausência de incerteza – o uso de aplicações como
a Programação Binária – que utiliza variáveis de decisão do tipo 0 ou 1 – pode desempe-
nhar um papel particularmente importante na busca da solução. Inicialmente, então, o
problema será tratado como se fosse determinístico, através da Programação Binária.
Para obtermos a solução ótima para o modelo de escolha da melhor proposta (ainda
sem considerarmos a incerteza quanto à efetivação dos contratos), utilizamos a opção
de restrição binária do Solver do Excel. No caso específico do problema, definimos
os três elementos básicos para o modelo:
● Variáveis de decisão: fazer ou não cada proposta.
● Variável-objetivo: lucro total obtido, que deve ser maximizado.
● Restrições: recursos humanos exigidos/disponíveis (analistas e programadores).

Utilizando a Programação Binária, ainda partindo da premissa de que todas as pro-


postas vão se transformar em contratos, a solução do problema é obtida a partir da
aplicação do Solver. Neste caso, não há nenhum risco envolvendo a transformação
das propostas em contrato. Pode-se observar que, quando não há nenhuma incerteza,
podemos escolher os projetos 3 e 4 que, além de tudo, são os de maior lucro esperado.
A inadequação dessa abordagem nada tem a ver com o cálculo para descobrirmos,
dentre as cinco propostas, quais deverão ser trabalhadas. O que falta nesse estudo são
as incertezas. Em um contexto organizacional real, não é possível saber se as propos-
tas vão se transformar em contrato: apenas se pressupõe a probabilidade de cada um
deles se concretizar.
A solução para esse problema determinístico (sem a presença de riscos) pode ser
bastante desfavorável para a situação gerencial com a qual se depara a empresa. Ex-
plica-se: na verdade, é pouco provável (10%) que a proposta 3 se transforme em projeto.
Se a empresa elaborar apenas as propostas 3 e 4 (que é o que sugere a solução obtida

5. Moore; Weatherford (2005); Hillier (2006); Leão et al. (2006).


56 PARTE | I  Métodos de Apoio à Tomada de Decisão

através da abordagem primária), é bem possível que o projeto 3 não se concretize,


ficando a empresa com recursos ociosos, que poderiam ter sido utilizados, por exemplo,
no projeto 1, apenas um pouco menos rentável, mas com probabilidade de efetivação
muito maior. Por outro lado, não podem ser elaboradas propostas demais, porque então
passa a existir o risco de não haver pessoal suficiente para atender a todos os projetos.
Evoluindo, então, para uma abordagem mais realista – já que a metodologia sim-
ples e trivial da Programação Binária (que utiliza um modelo determinístico) não se
aplica adequadamente nesse caso em que temos risco e incertezas – precisaremos
utilizar um modelo que os considere, necessitando ser tratado através de uma técnica
não determinística como: os critérios Maximax, Maximin e Minimax; 6 a Árvore de
Decisão;7 ou a Simulação.8
Dessa forma, a proposta principal deste capítulo consiste em analisar os resultados
obtidos pela aplicação de diferentes abordagens que considerem incertezas e riscos ao
problema de escolha das propostas, de forma a mostrar que tipo de conclusões essas
abordagens são capazes de obter em casos normalmente tratados de forma determinís-
tica, a fim de se constituir um quadro comparativo.
A seguir é apresentada uma breve revisão dos conceitos acerca de Programação
Binária, Critérios não probabilísticos, Árvore de Decisão e Simulação.

PROGRAMAÇÃO BINÁRIA
Uma área de aplicação muito importante da Programação Linear é aquela que envolve
problemas com uma série de decisões sim ou não, fazer ou não fazer. Tais variáveis são
chamadas variáveis binárias e os problemas de Programação Inteira contendo apenas
variáveis binárias são denominados Programação Binária (ou PI 0-1).9
As variáveis binárias, 0 ou 1, desempenham um papel particularmente importante,
já que possibilitam incorporar instruções condicionais a decisões do tipo sim ou não, de
forma semelhante ao Excel. Estas decisões são, por vezes, chamadas de dicotômicas,
em um modelo de otimização.10
Os gerentes frequentemente precisam enfrentar decisões do tipo sim ou não.
Portanto, a Programação Inteira Binária (PIB) é amplamente usada para ajudar nessas
decisões. Elas possibilitam lidar com um problema com cuja formulação natural é
difícil de se trabalhar e reformulá-lo como um problema de PI pura ou mista.11

CRITÉRIOS NÃO PROBABILÍSTICOS


O critério Maximax se baseia em uma visão otimista do problema. Escolhido determina-
do modelo, supõe-se que ocorrerá o melhor evento possível. Neste critério, o problema
decisório pode levar-nos à solução ótima, em que uma alternativa será escolhida pela

6. Gomes; Gomes; Almeida (2009); Corrar; Theóphilo (2004); Moore; Weatherford (2005).
7. Corrar; Theóphilo (2004); Moore; Weatherford (2005).
8. Hertz (1980); Corrar; Theóphilo (2004); Moore; Weatherford (2005); Mendes et al. (2006).
9. Hillier (2006).
10. Moore; Weatherford (2005).
11. Hillier (2006).
Capítulo | 4 Abordando probabilisticamente um problema... 57

maximização da função-objetivo. Este método é indicado quando buscamos a alternativa


com o melhor desempenho de maximização. O critério Maximax carrega consigo
uma visão de mundo muito otimista, ou seja, deve-se escolher o melhor resultado de
cada alternativa, e dentre eles o melhor dos melhores resultados.12 O método pode ser
definido como critério de decisão otimista, que tem por objetivo encontrar o melhor
resultado possível, a alternativa de decisão que maximizará o máximo resultado.13
O critério Maximax avalia cada decisão pelo que melhor pode acontecer se o
gerente tomar essa decisão. Neste caso eles avaliam cada decisão pelo máximo retorno
possível associado àquela decisão, porém não se deve confundir a decisão com o es-
tado de natureza que produz o resultado ótimo.14
Já o critério Maximin se baseia em uma visão pessimista do problema. Supõe-se
que, escolhido determinado modelo, ocorrerá o pior evento possível. A alternativa será
escolhida como aquela que tem a melhor entre as piores opções de todas as alternativas.
Deve-se determinar o lucro mínimo para cada alternativa e, em seguida, escolher a
alternativa com o maior lucro mínimo.
O critério Maximin, tido como extremamente conservador ou pessimista ao tomar
decisões, tem por objetivo encontrar a decisão que maximizará o mínimo resultado
entre vários possíveis, ou seja, ele indicará a alternativa que produz o maior resultado
entre os mínimos encontrados.15
Ao usar esse critério, o tomador de decisões deve ficar alerta para o que significa
máximo ou mínimo, dependendo de como são expressos os resultados da matriz de
decisão.16
Finalmente, a estrutura do critério Minimax é baseada inicialmente desenvolven-
do-se uma tabela de perdas de oportunidade, a seguir encontrando-se a oportunidade
máxima de perdas em cada alternativa e selecionando-se entre elas a alternativa que
apresenta a menor perda.17
Moore e Weatherford (2005, p. 385) destacam que “arrependimento é sinônimo
de ‘custo de oportunidade’ de não tomar a melhor decisão para um dado estado de
natureza”. Em uma tomada de decisão, o gerente gostaria de tomar uma decisão que
minimizasse o arrependimento, mas não sabe que estado de natureza acontecerá. Se
o gerente não conhece a probabilidade, o que se sugere é usar o critério Minimax
conservador, selecionando a decisão que faz o melhor do pior caso, ou seja, a decisão
que tem o menor arrependimento máximo.

ÁRVORE DE DECISÃO
A Teoria da Decisão é um conjunto de técnicas quantitativas que tem por objetivo
ajudar o gerente a sistematizar o problema e solucioná-lo. Não há solução de um
problema sem critério, e é neste sentido que a Teoria da Decisão baseia-se em

12. Moreira (2007).


13. Corrar; Theóphilo (2004).
14. Moore; Weatherford (2005).
15. Corrar; Theóphilo (2004); Moore; Weatherford (2005).
16. Gomes; Gomes; Almeida (2009); Moreira (2007).
17. Corrar; Theóphilo (2004).
58 PARTE | I  Métodos de Apoio à Tomada de Decisão

critérios preestabelecidos, havendo sempre espaço para novos critérios e novas


contribuições.18
Para construir uma Árvore de Decisão é necessário desenhar um gráfico de modo que
as informações adicionais obtidas pelo tomador de decisão, no transcorrer do processo,
possam ser incluídas como novas variáveis. A construção da Árvore de Decisão respeita
a sequência utilizada na leitura da Tabela de Decisão, em que parte das alternativas leva
em conta os cenários e culmina com o indicador monetário que definirá a escolha do
tomador de decisão, que é o resultado que retornará em decorrência da decisão.19
Existem dois critérios usualmente utilizados no ambiente de risco: o Valor Mo-
netário Esperado (VME), que maximiza os resultados esperados e que, para cada
alternativa de decisão, sua apuração é possível pelo cálculo da média dos valores de
seus diversos resultados, ponderada pelas probabilidades de ocorrência dos eventos;
e a Perda de Oportunidades Esperada (POE), que minimiza as perdas e refere-se à
diferença entre o retorno ótimo e o retorno recebido.20
Para determinar o valor esperado para cada alternativa e escolher a alternativa que
tiver o melhor valor esperado, deve-se atribuir uma probabilidade a cada acontecimento
(mutuamente exclusivos), calcular os valores esperados de cada ação, multiplicando
cada valor consequente pela correspondente probabilidade, somar esses produtos e
escolher a ação cujo valor esperado seja o máximo.21
Na análise de uma decisão cujas possíveis consequências são valores monetários
relativamente próximos, o VME pode ser utilizado como critério de decisão quando
da escolha de uma dentre várias alternativas. No entanto, nos casos em que os valores
monetários das várias alternativas são substancialmente diferentes, como numa decisão
estratégica, o VME não mais reflete necessariamente como um tomador de decisão avalia
uma estratégia de ação, pois não leva em conta a sua possível aversão a grandes perdas.22
Uma alternativa ao VME é a Utilidade, que consiste na atratividade dos possíveis
resultados de decisão, já que a maioria das pessoas é avessa ao risco. A análise decisória
lida com esse comportamento de aversão ao risco. A função Utilidade é definida como
uma medida de satisfação, diferente para cada tomador de decisão, e que substitui o
VME no momento de considerar o valor equivalente de um nó de decisão.23
Uma Árvore de Decisão deve ser complexa o suficiente para incorporar todos os
elementos-chave e valores que são importantes para os pacientes e, ao mesmo tempo,
simples o suficiente para ser compreensível e operacional.24

SIMULAÇÃO
A origem da Simulação é muito antiga. Os chineses já a utilizavam em seus jogos
de guerra há 5 mil anos e os povos prússios utilizaram esses jogos no final do
século XVIII para auxiliá-los no treinamento militar de suas tropas. Durante a

18. Moreira (2007).


19. Corrar; Theóphilo (2004).
20. Corrar; Theóphilo (2004).
21. Ferreira (2004).
22. Vatter et al. (1978).
23. Moore; Weatherford (2005).
24. Campolina; Ciconelli (2006).
Capítulo | 4 Abordando probabilisticamente um problema... 59

Segunda Guerra Mundial, o matemático John Von Neumann criou o conceito


denominado Simulação de Monte Carlo, que consistia na simulação direta de
problemas probabilísticos. Atualmente com o desenvolvimento dos recursos
computacionais, esse método é usado em diversas áreas, desde a simulação
de fenômenos físicos complexos até menos complexos, como a simulação do
resultado de loterias.25
Na Simulação, procura–se obter informações sobre os relacionamentos entre as
variáveis que compõem o sistema no sentido de predizer seus futuros desempenhos
sob novas condições. O objetivo é criar um ambiente no qual a informação sobre ações
alternativas possíveis é conseguida através da experimentação.26

A DETERMINAÇÃO DO MIX IDEAL DE PROJETOS ATRAVÉS


DE ABORDAGENS NÃO DETERMINÍSTICAS
Além das variáveis utilizadas na abordagem do modelo binário (decisão de fazer ou
não cada proposta, lucro esperado e restrições de pessoal), incluímos, nas análises
probabilísticas (ver Árvore da Decisão e Simulação, a seguir), a variável expectativa
de transformar as propostas em contratos, estimada com a ajuda da experiência dos
gerentes, já apresentadas na Tabela 4.1.

Critérios Não Probabilísticos


O problema de escolha das propostas foi resolvido segundo os três critérios: Ma-
ximax, Maximin e Minimax. Para resolver esse problema, foram elencadas as 31
soluções possíveis criadas pela combinação das cinco propostas, e os possíveis
resultados para cada uma delas em função das propostas se transformarem ou não
em contrato.
De acordo com o critério Maximax, foi escolhido o melhor resultado possível;
com o critério Maximin, o resultado que produz o maior resultado entre os mínimos
encontrados; e com o critério Minimax, a alternativa que minimizará a maior perda
de oportunidade.
Vale ressaltar que, segundo esses três critérios não probabilísticos, conforme o
nome sugere, as probabilidades não estão contempladas; levou-se em conta apenas
que o projeto pode ou não ser feito. Além disso, foi considerada uma multa para as
situações em que a empresa não dispuser de recursos humanos suficientes para lidar
com todas as propostas aprovadas.

Critério Maximax
As variáveis de decisão dependem exclusivamente do tomador de decisão. Ele pode
decidir fazer somente a proposta 1, ou só a 2 ou ainda optar por qualquer uma das
31 possibilidades de solução. Supondo que tenha escolhido fazer a 3 e a 4, o que vai
acontecer com o lucro se somente a 1 viesse a ser aprovada? Nesse caso, a proposta

25. Corrar; Theóphilo (2004).


26. Moore; Weatherford (2005).
60 PARTE | I  Métodos de Apoio à Tomada de Decisão

1 não foi feita e não pode ser aprovada, e as outras duas foram feitas, mas não apro-
vadas, gerando um lucro nulo. Se a proposta 3 for aprovada, a empresa vai ganhar o
lucro referente a ela. A melhor possibilidade é fazer as cinco propostas (1, 2, 3, 4 e 5,
ou seja, C12345 x 12345), o que demanda 23 analistas e 41 programadores, e portanto
não há recursos suficientes para fazer todas as propostas, pois o total de recursos dis-
poníveis é de 23 programadores e 12 analistas.
Quanto seria perdido pelo desgaste comercial de assumir fazer as cinco propostas
e não ter condição de executá-las? A empresa vive um momento instável, com muitas
ocorrências, e por este motivo, para resolver este problema, foi criada uma variável que
definimos como “% residual de lucro no caso de falta de recursos”, que arbitramos como
50% (ou seja, é como se, em cima do lucro, fosse aplicada uma “Multa” de 100% –
50% = 50%) para o caso de a proposta tornar-se contrato e não haver recursos suficientes
para executar o projeto. Foi criada uma fórmula aplicada em todas as células para definir
de quanto será o lucro. Assim, tomemos como exemplo a relação “Fazer as propostas”
1 e 3 x “Propostas que vão virar contrato” 2345. Se a proposta 1 foi feita e não foi
aprovada, na célula 2345 é somado apenas o lucro da proposta 3. Aplicando o valor de
Multa de 50%, o lucro máximo dos máximos foi de R$ 2.533.500,00, para as alternativas
C34, C134, C234, C345, C1234, C1345, C2345 ou C12345. Para efeitos comparativos,
processamos, respectivamente, os resultados para o caso de a Multa ser 70% (cenário
pessimista) e 30% (cenário otimista).
Os resultados encontrados com o valor da Multa de 70% (cenário pessimista) são
os mesmos encontrados para valor da Multa de 50%, porém, os resultados apresentados
para o valor da Multa de 30% (cenário otimista) tiveram uma mudança significativa,
mostrando que apenas a alternativa C12345 terá o valor máximo dos máximos, ou
seja, R$ 2.846.900,00.

Critério Maximin
Os parâmetros são os mesmos considerados no critério Maximax. Novamente
utilizamos a Multa de 50%, e neste caso o valor máximo dos mínimos apontou
para fazer, indistintamente, qualquer conjunto de propostas, todos com lucro
de R$ 0,00. Em razão da natureza pessimista desta abordagem, não faz sentido
elaborar a análise de sensibilidade no que se refere à variável Multa, já que, se
tudo der errado, nenhuma proposta virará contrato e o valor da Multa não estará
influenciando a decisão.

Critério Minimax
Os parâmetros e os resultados intermediários são os mesmos encontrados para o critério
Maximax. Novamente utilizamos a Multa de 50%, e neste caso o valor máximo dos
mínimos apontou para fazer as propostas 1, 3 e 4 com lucro de R$ 876.750,00.
Para efeito de comparação, também foram feitas análises para a Multa com 70% e
30%, respectivamente, e neles os resultados diferem do resultado apresentado para a
Multa normal de 50%, sendo, respectivamente, R$ 1.533.500,00 para fazer as propostas
3 e 4, e R$ 445.050,00 para as propostas P1, P2, P3 e P4.
Para facilitar o entendimento, o Quadro 4.1 mostra o resumo das melhores situações
encontradas por cada critério/cenário.
Capítulo | 4 Abordando probabilisticamente um problema... 61

QUADRO 4.1 Quadro comparativo Maximax x Maximin x Minimax


62 PARTE | I  Métodos de Apoio à Tomada de Decisão

Árvore de Decisão
Foi feita uma Árvore de Decisão contemplando as 31 possíveis soluções (as mesmas
da seção anterior), porém, nesse caso, foram utilizadas as probabilidades (expectativas)
para considerar a chance de uma proposta virar ou não contrato. Em cada uma das
soluções foram consideradas as probabilidades de as propostas se transformarem em
contrato para avaliar o resultado financeiro. A mesma multa mencionada na seção
anterior foi considerada para esta metodologia. A Árvore de Decisão foi desenvolvida
inicialmente segundo o critério do Valor Esperado. Fazer as propostas é uma decisão
do tomador de decisão. A árvore foi desenvolvida de modo a comportar a decisão de
fazer uma proposta, duas propostas, três propostas, quatro propostas ou ainda de fazer
as cinco propostas. Para cada possível decisão, verificamos quais as probabilidades
de as propostas virarem contrato. Uma das possibilidades é nenhuma virar contrato.
Isto não significa que não foi feita nenhuma proposta, e sim que, nesse caso, nenhuma
vai virar contrato.
Se todas as propostas fossem feitas e todas virassem contrato, a empresa ganharia
R$ 4.067.000,00, porém, não haveria recursos humanos suficientes para o desenvolvi-
mento de todos os projetos, causando atraso e desgaste comercial, que foi considerado
a partir da aplicação de uma “Multa” que reduz (em um determinado percentual) o
lucro obtido. Este percentual foi fixado inicialmente em 50% e a Multa foi aplicada
somente nos casos específicos em que não houve recursos.
Assim, a Árvore de Decisão, utilizando o software TreePlan, escolhe a solução
com melhor Valor Esperado. O nó de decisão (fazer as cinco propostas) foi escolhido
como o melhor resultado, com Valor Esperado de R$ 1.283.349,00.
Segundo a execução do software TreePlan, dado que haja 50% de chance de a em-
presa ganhar R$ 780.000,00, e 50% de chance de ela ganhar R$ 0,00, o Valor Esperado
calculado é de R$ 390.000,00, mostrado na Figura 4.1. Para o cálculo da árvore através
da Função de Utilidade, foi coletado com o tomador de decisão o seu Nível de Aversão
ao Risco, tendo sido indagado qual seria a equivalente-certeza para esta situação de
risco descrita anteriormente. O valor de R$ 250.000,00 apareceu como resposta e foi
aplicado na função Atingir Meta de forma a se obter o valor de Tolerância ao Risco
de R$ 494.827,00, conforme ilustra a Figura 4.2.
A árvore também nos mostrou algumas informações importantes. Se forem fei-
tas quatro propostas, o melhor seria fazer as propostas 1, 2, 4 e 5, com lucro de

FIGURA 4.1  Nó de evento – Valor Esperado.


Capítulo | 4 Abordando probabilisticamente um problema... 63

FIGURA 4.2  Nó de evento – Tolerância ao Risco.

FIGURA 4.3  Análise de Sensibilidade – impacto da Multa sobre o valor da árvore.

R$ 930.898,00. Se for escolhido fazer três propostas, a melhor opção seriam a 1, a 2 e a


5, com lucro de R$ 891.905,00. Caso se decidisse por duas propostas, a melhor opção
consistiria nas propostas 1 e 2, com lucro de R$ 700.000,00. Por último, se a opção é
fazer apenas uma proposta, a melhor seria a número 2, com lucro de R$ 450.000,00.
Com a Árvore de Decisão construída, procedeu-se a análise de sensibilidade
com as variáveis mais importantes. Primeiro foi trabalhada a Multa, variando de 0%
a 100%, de 1% em 1%. O output é a solução ótima, em que concluímos que de 0% a
73% o valor da Multa não importa para efeitos de determinação da melhor solução e
podem ser feitas as cinco propostas. Porém ao aplicarmos o percentual de Multa de
74% o melhor seria fazer três propostas, sendo o conjunto 1, 2 e 5 o melhor deles, com
lucro de R$ 891.509,00, valor mostrado na Figura 4.3, quando aplicamos a análise de
sensibilidade para o valor final da árvore.
Percebe-se na Figura 4.3 que, à medida que a Multa aumenta, o valor da solução
com cinco propostas vai diminuindo; mas o valor da Multa passa a ser irrelevante
quando a solução ótima consiste de apenas três propostas, pois nunca faltarão recursos
neste caso.
64 PARTE | I  Métodos de Apoio à Tomada de Decisão

A Árvore de Decisão também foi analisada com cenários pessimista e otimista. Em


um cenário mais pessimista, utilizamos as perspectivas de transformação das propostas
em contrato como sendo: 40%; 80%; 5%; 20%; e 50%. A partir desta situação, para
uma Multa de 50%, encontramos um lucro de R$ 750.164,00, sendo a melhor solução
fazer as cinco propostas.
A Análise de Sensibilidade do impacto da Multa na decisão ótima mostra que de
0% a 90% o valor da Multa não importa e podem ser feitas as cinco propostas, porém,
ao aplicarmos o percentual de Multa de 91%, o melhor seria fazer três propostas, sendo
o conjunto 1, 2 e 5 o melhor deles, com lucro de R$ 639.198,00, quando aplicamos a
Análise de Sensibilidade para o valor final da árvore.
A Análise de Sensibilidade do impacto da Multa foi tratada também com o cenário
otimista (probabilidades de efetivação dos contratos iguais a 60%, 100%, 15%, 40% e
70%). O Quadro 4.2 mostra o resumo das melhores soluções encontradas pelo método
da Árvore de Decisão (abordagens do Valor Esperado e da Função de Utilidade) em
diferentes cenários.

Simulação
Nesta abordagem, também foi incluída a variável expectativa de transformar as propos-
tas em contratos. Neste caso, o lucro total dependeu efetivamente de uma combinação

QUADRO 4.2 Quadro comparativo – Árvore de Decisão

Multa Fazer ‘n’ Melhores


Aplicada Propostas Propostas Lucro
Valor 50% 5 1, 2, 3, 4, 5 R$ 1.283.349,00
Esperado

Função Análise de
Utilidade Sensibilidade

Realista

Cenário 1 0 – 73% 5 1, 2, 3, 4 e 5 R$ 1.103.547,00


a R$ 898.056,00

Cenário 2 74% ou mais 3 1, 2, 5 R$ 891.509,00

Pessimista

Cenário 1 0 – 90% 5 1, 2, 3, 4 e 5 R$ 766.253,00


a R$ 639.912,00

Cenário 2 91% ou mais 3 1, 2, 5 R$ 639.198,00

Otimista

Cenário 1 0 – 71% 5 1, 2, 3, 4 e 5 R$ 1.268.477,00


a R$ 964.963,00

Cenário 2 72% ou mais 3 1, 2, 5 R$ 961.258,00


Capítulo | 4 Abordando probabilisticamente um problema... 65

específica de um grande número de variáveis diferentes. A simulação foi necessária


para verificar se cada proposta elaborada iria se transformar efetivamente em projeto.
Tal verificação ocorreu a partir da geração de números aleatórios que, em conjunto
com as probabilidades de sucesso na efetivação de cada proposta, foi capaz de simular
se cada contrato se efetivou, para cada experimento realizado.
O trabalho procurou simular o que aconteceria com o lucro total e com adequação
do pessoal exigido ao pessoal disponível em cada uma de todas as possíveis soluções
para o problema de decidir quais propostas deverão ser feitas. São 31 soluções pos-
síveis: fazer todas as propostas (P1, P2, P3, P4, P5), fazer somente uma (P1; P2; P3;
P4 ou P5), fazer duas, três ou quatro propostas. Foram realizados 5 mil experimentos
para cada uma das soluções.
Para cada proposta foi sorteado um número aleatório, em cada simulação. Em
função deste número aleatório e da probabilidade de efetivação de cada proposta, foi
verificado em cada uma das 5 mil simulações se a proposta iria virar projeto ou não,
o que está representado pelos valores 1 ou 0 na planilha, respectivamente.
Tratando apenas os projetos que vão ser efetivamente feitos, foram calculadas as
quantidades de analistas e programadores necessários para a sua execução em função
das necessidades básicas de cada projeto. Estes valores foram comparados aos recursos
disponíveis, para verificar se cada conjunto de recursos necessários é viável. Se ambos
os conjuntos foram viáveis, a viabilidade geral (célula “OK geral”) recebeu o valor
1. A célula “% de OK” contabilizou em quantas das 5 mil simulações os recursos
disponíveis puderam atender a demanda por eles. Assim, uma medida de risco pode
ser construída (risco = 100% – % OK) para contemplar qual a probabilidade de tal
conjunto de propostas feitas gerar um desgaste comercial por conta de não haver
recursos humanos necessários para atender a demanda de todos os contratos efetivados.
O outro indicador de qualidade da solução foi o lucro total, função exclusivamente
dos projetos que foram efetivados e do lucro esperado de cada um. Ao final da corrida
de 5 mil simulações, foi possível ter uma ideia do lucro médio (ou esperado) da solução
analisada.
Aqui é muito importante deixar claro uma premissa que foi utilizada na modelagem:
mesmo que os recursos disponíveis não sejam suficientes para atender a demanda de
todos os projetos, ainda assim o lucro esperado de cada um deles será considerado no
cálculo do lucro total. Tal consideração é razoável, porque a expectativa é que todos os
projetos aprovados venham a ser feitos em algum momento, a partir da liberação gradual
dos recursos oriundos dos projetos que forem chegando ao fim. A realização não imediata
do projeto, no entanto, pode gerar um desgaste comercial junto ao cliente, e portanto
esse risco precisou ser monitorado através da medida de risco introduzida anteriormente.
A planilha apresentada na Tabela 4.2 ilustra a simulação de parte dos 5 mil ex-
perimentos realizados para a solução C 2345. A partir da simulação de todas as
soluções exequíveis, foi possível fazer um quadro sumarizando o lucro e o nível de
risco previstos para cada uma.
Vale ressaltar que esses resultados são, na realidade, dinâmicos. Cada vez que a
planilha é atualizada, os valores aleatórios são recalculados e novos resultados são
obtidos. As ilustrações apresentadas consistem apenas em “fotografias” de uma dessas
atualizações. Felizmente, com 5 mil simulações, os resultados são robustos, ou seja,
não apresentam grandes variações entre as atualizações.
66 PARTE | I  Métodos de Apoio à Tomada de Decisão

A Figura 4.4 mostra os mesmos resultados, porém, abordando a relação Lucro x


Risco e indicando um ponto de corte para um nível máximo de risco aceitável (tendo
a área comercial da empresa sinalizado ser interessante não haver mais do que 5% de
probabilidade de haver desgaste comercial).
A linha pontilhada na Figura 4.4 indica o que seria um patamar desejável de risco
máximo tolerável (2,5%). A partir da análise do quadro e das figuras, verificamos
que o conjunto de propostas P1 + P2 + P5 não traz risco algum e fornece uma
perspectiva de lucro de R$ 1.000.000, aproximadamente, sendo esta, a princípio,
uma boa opção.
Se apenas a análise minimizadora de risco for utilizada, os executivos poderão
ir adiante, sem a preocupação de estarem correndo risco. Neste caso, o conjunto
P1 + P2 + P5 ou o P2 + P3 + P5 poderiam ser escolhidos. Verificamos que as propostas
P2 e P5 aparecem, nas duas composições, com 0% de risco.
Para executar todas as propostas, teríamos um nível de risco muito grande, de
aproximadamente 29%. Comportando um pequeno risco (aproximadamente 2,5%),
duas soluções aparecem: P1 + P3 + P4 e P3 + P4 + P5 (as propostas P3 e P4 aparecem

TABELA 4.2 Resultado (parcial) da Simulação para o caso C 2345

P1 P2 P3 P4 P5 Totais
Fazer ou não 0 1 1 1 1 para

Expectativa 50% 100% 10% 30% 60% 100%

Lucro R$ 780.000 450.000 900.500 1.633.000 303.500 4.067.000

Analistas 5 4 5 6 3 23

Programadores 8 6 10 12 5 41

Total Recursos 13 10 15 18 8

Recursos para
Desenvolvimento dos Projetos
Analistas Programadores

12 26

Totais

18 33

% OK 80,3%
Lucro Total Médio

R$ 1.212.993,90

(Continua)
TABELA 4.2 Resultado (parcial) da Simulação para o caso C 2345 (cont.)

Capítulo | 4 Abordando probabilisticamente um problema...


ALEATÓRIOS PROJETOS ANALISTAS PROGRAM. Lucro

Simulação 1 2 3 4 5 P1 P2 P3 P4 P5 Utilizados Ok? Utilizados Ok? OK geral Total


1 0,74 0,75 0,75 0,56 0,11 0 1 0 0 1 7 1 11 1 1 R$ 753.500,00

2 0,73 0,96 0,16 0,09 0,25 0 1 0 1 1 13 0 23 1 0 R$ 2.386.500,00

3 0,11 0,15 0,01 0,70 0,67 0 1 1 0 0 9 1 16 1 1 R$ 1.350.500,00

4 0,68 0,65 0,74 0,52 0,13 0 1 0 0 1 7 1 11 1 1 R$ 753.500,00

5 0,44 0,48 0,73 0,10 0,77 0 1 0 1 0 10 1 18 1 1 R$ 2.083.000,00

6 0,72 0,53 0,67 0,50 0,67 0 1 0 0 0 4 1 6 1 1 R$ 450.000,00

7 0,29 0,51 0,14 0,45 0,50 0 1 0 0 1 7 1 11 1 1 R$ 753.500,00

8 0,34 0,75 0,62 0,80 0,51 0 1 0 0 1 7 1 11 1 1 R$ 753.500,00

9 0,44 0,51 0,70 0,18 0,48 0 1 0 1 1 13 0 23 1 0 R$ 2.386.500,00

10 0,82 0,78 0,04 0,31 0,07 0 1 1 0 1 12 1 21 1 1 R$ 1.654.000,00

67
68
PARTE | I  Métodos de Apoio à Tomada de Decisão
FIGURA 4.4  Lucro e risco de cada solução, com ponto de corte.
Capítulo | 4 Abordando probabilisticamente um problema... 69

nas duas combinações). A primeira delas apresenta um lucro esperado de aproxima-


damente R$ 1.000.000.
Ainda dentro do risco delimitado pela área comercial (5%), qualquer combinação
que leve em conta a execução de três propostas pode ser recomendada, exceto os
conjuntos P1 + P2 + P4 e P2 + P4 + P5. As soluções P1 + P2 + P3 e P1 + P4 + P5
estão fora da zona aceitável, porém, em algumas simulações, elas são consideradas.
Dentre as soluções aceitáveis com três propostas, as combinações P1 + P2 + P5
e P2 + P3 + P5 são as mais lucrativas (em torno de R$ 1.000.000). Porém, a solução
P1 + P2 + P3 + P5 também aparece na zona aceitável de risco (5%, aproximadamente),
mas com um lucro esperado de cerca de R$ 1.100.000.
Verificamos que, além de ser de interesse da empresa apresentar o maior número
possível de propostas (por questões estratégicas), devemos fazer as propostas P1, P2,
P3 e P5, dentro do nível de risco aceitável e obtendo a maior expectativa de lucro.
Como as probabilidades de as propostas se transformarem em contrato foram
baseadas na experiência dos gerentes e são, portanto, subjetivas, convém realizar uma
análise de sensibilidade a respeito do seu impacto.
Tratamos também essa abordagem em um cenário mais pessimista, em que as pers-
pectivas de transformação das propostas em contrato poderiam ser, respectivamente:
40%; 80%; 5%; 20%; e 50%, e em um cenário mais otimista, no qual as perspectivas
de transformação das propostas em contrato poderiam ser, respectivamente: 60%;
100%; 15%; 40%; e 70%.
O Quadro 4.3 mostra uma comparação das melhores soluções encontradas pelo
método de Simulação para os cenários realista, otimista e pessimista.

Análise Comparativa das Abordagens


Não Probabilísticas x Probabilísticas
Como vantagem das abordagens não probabilísticas (Maximax, Maximin, Minimax),
podemos considerar que nelas não há dependência da subjetividade (e de uma eventual
imprecisão) das probabilidades utilizadas na Árvore de Decisão e na Simulação. Se
estas probabilidades estiverem erradas (elas são subjetivas), isto pode comprometer
um pouco estas duas abordagens. Para as não probabilísticas, essa consideração não
entra na composição.
De qualquer forma, trata-se de uma pequena vantagem; porém, em contrapartida, as
abordagens não probabilísticas apresentam uma desvantagem porque estaremos tratando
todas as propostas da mesma maneira, ou seja, todas as propostas podem ou não se
transformar em contrato, quando, na realidade, algumas têm mais chance do que outras.

Comparação entre os três critérios não probabilísticos


Como desvantagem, a abordagem Maximax apresentou múltiplas soluções ótimas
em todos os cenários. A abordagem Maximin simplesmente não funcionou para este
problema.
A abordagem Minimax foi a melhor: apresentou apenas uma solução ótima para
cada cenário e revelou certa sensibilidade em relação à Multa, ou seja, para cada valor
da Multa, ela disponibilizou uma solução ótima diferente.
70
PARTE | I  Métodos de Apoio à Tomada de Decisão
QUADRO 4.3 Quadro comparativo – Simulação

Realista Solução C 123 C 125 C 145 C 235 C 245 C 1235


Lucro R$ 719.007,00 839.369,50 783.392,00 564.151,00 837.167,50 875.276,50

Risco 1,40% 0,00% 2,10% 0,00% 7,80% 2,10%

Otimista Solução C 125 C 134 C 235 C 345

Lucro R$ 1.125.421,00 1.282.459,00 785.221,50 984.605,50

Risco 0,00% 4,40% 0,00% 3,80%

Pessimista Solução C 145 C 234 C 1234

Lucro R$ 783.392,00 780.942,44 1.011.647,50

Risco 2,10% 1,40% 3,00%


Capítulo | 4 Abordando probabilisticamente um problema... 71

Árvore de Decisão x Simulação


Podemos considerar como uma pequena desvantagem da Simulação o fato de a planilha
ficar muito “pesada”. Além disso, ela não apresentou diretamente a solução ótima,
diferentemente da Árvore de Decisão; ela apenas mostra o desempenho de cada uma
das possíveis soluções. Mas como a quantidade de soluções possíveis não é muito
grande (apenas 31), foi possível verificar o desempenho de todas elas na Simulação,
o que não é uma desvantagem tão marcante.
A confecção da Árvore de Decisão é muito trabalhosa, e isso pode ser considerado
uma pequena desvantagem; porém, como vantagem, ela não ficou muito “pesada”. Na
Árvore de Decisão, foi possível contemplar o perfil de risco do tomador de decisão.
Na Simulação isso não foi possível.
Podemos colocar como desvantagem da Árvore de Decisão o fato de que assumi-
mos uma Multa para penalizar o lucro nos casos em que a quantidade de recursos dis-
poníveis não foi suficiente para atender todas as demandas de projeto. A desvantagem
deve-se ao fato de esta multa ter sido arbitrada.
Na Simulação, a análise do problema baseou-se na verificação da probabilidade
da demanda por recursos superar a oferta. Por este motivo, o tratamento foi menos
arbitrário quando comparado com o da Árvore de Decisão: nesta última, arbitramos a
Multa; na Simulação, mensuramos qual a probabilidade de isto acontecer. A Simulação
cuidou melhor esta situação, porém na Árvore de Decisão foi possível fazer uma
análise de sensibilidade em relação a esse parâmetro arbitrado, o que diminui bastante
a desvantagem.
Outra vantagem para a Simulação é o fato de a Árvore de Decisão precisar conside-
rar uma única variável como sendo o objetivo (no caso, o lucro a ser maximizado). Na
Simulação, é possível verificar o desempenho de cada uma das 31 possíveis soluções
nos critérios que forem considerados necessários – no caso, além do lucro, o risco
envolvido na solução e a própria quantidade de propostas elaboradas. Estes últimos
foram usados como critérios de desempate, possibilitando uma análise mais rica e,
assim, uma decisão mais embasada.

Vantagens e Desvantagens das Metodologias


No Quadro 4.4 apresentamos um resumo das vantagens e desvantagens detalhadas
anteriormente.

CONSIDERAÇÕES FINAIS
Este capítulo apresentou um problema real de determinação de mix de projetos de
consultoria, em que não se sabia, a priori, quais das propostas elaboradas se trans-
formariam efetivamente em projetos a serem feitos. Tal presença de incerteza é
suficiente para inviabilizar a abordagem mais tradicional para este tipo de problema:
a Programação Binária.
Tratou-se tal problema de forma não probabilística pelos critérios Maximax,
Maximin e Minimax, e de forma probabilística a partir de uma Árvore de Decisões
e da análise de risco viabilizada pela Simulação, que se revelou adequada para tratar
tal tipo de problema, sobretudo pelo fato de permitir que riscos sejam incorporados
72 PARTE | I  Métodos de Apoio à Tomada de Decisão

QUADRO 4.4 Quadro comparativo das metodologias

Não probabilísticas

Vantagem Desvantagem
Não há dependência Todas as propostas são tratadas
de subjetividade presente da mesma maneira
nas probabilidades

Critérios

Maximax Apresentou múltiplas soluções


em todos os cenários

Maximin Não funcionou para este


problema

Minimax Apresentou apenas uma


solução diária para cada
cenário

Sensibilidade em relação
à multa

Probabilísticas

Vantagem Desvantagem
Cada proposta é tratada Há dependência
de forma diferente de subjetividade

Abordagens

Árvore da Decisão Apresentou uma solução Confecção muito trabalhosa


ótima

Contemplou o perfil do risco Foi arbitrada uma multa


do tomador de decisão para penalizar o lucro

Foi escolhida apenas


uma variável objetivo

Simulação Foi verificado o desempenho Planilha muito “pesada”


de cada uma das 31 soluções
por vários critérios

Foi verificada a probabilidade Não apresentou diretamente


da demanda por recursos uma solução ótima
superar a oferta

Não contemplou o perfil de


risco do tomador de decisão
Capítulo | 4 Abordando probabilisticamente um problema... 73

de forma satisfatória, garantindo maior representatividade para o modelo e mais


confiabilidade para os resultados.
Por causa da sua natureza, a Simulação apresenta uma desvantagem: a solução
ótima não é revelada. Neste caso em particular, isso não representou um grande pro-
blema, pois a quantidade de soluções possíveis era finita e razoavelmente pequena, e
foi possível verificar o desempenho de cada uma delas. Isso revelou outra vantagem da
ferramenta: a possibilidade de considerar, para a escolha da solução, não apenas uma
variável-objetivo (o lucro esperado, no caso), mas também outros aspectos importantes,
como o risco de desgaste comercial e a quantidade de propostas elaboradas, referentes
a cada uma das possíveis soluções.

EXERCÍCIOS
1. Diariamente, um jornaleiro compra Q exemplares de um jornal, ao custo unitário
de R$ 1,00. Cada jornal é vendido por R$ 3,00, sendo as sobras ao final do dia
perdidas (valor residual nulo). A demanda diária de jornais, que é independente e
identicamente distribuída para todos os dias, é descrita pela seguinte distribuição
de probabilidades:

Demanda diária (D) Probabilidade (%)


60 16
70 19
80 24
90 22
100 19

O objetivo do problema é determinar o valor ótimo de Q (a quantidade diária de


jornais comprada pelo jornaleiro).
a. Trate o problema de forma determinística. Para tal, considere a demanda diária
como um parâmetro fixo, arredondando o valor esperado da sua distribuição.
b. Agora trate o problema de forma não determinística; mas ainda não considere
as probabilidades, apenas a incerteza de a demanda poder assumir qualquer
dos valores apresentados na tabela. Resolva utilizando cada um dos critérios
não probabilísticos.
c. Inclua agora as probabilidades e resolva o problema através de uma Árvore de
Decisão.
d. Ainda abordando de forma probabilística, simule, para os valores razoáveis de
Q (60, 70, 80, 90 e 100), a atividade do jornaleiro por um período de 100 dias.
Para cada dia simulado, liste a demanda observada, a quantidade vendida, a
receita, o custo e o lucro diário. Ao final da corrida, calcule a média para cada
uma destas variáveis e o desvio-padrão do lucro. Faça um gráfico da média e
do desvio-padrão do lucro diário em função de Q.
e. Reflita sobre as vantagens e desvantagens de cada abordagem, assim como
sobre a sua adequação a este e a outros problemas.
74 PARTE | I  Métodos de Apoio à Tomada de Decisão

REFERÊNCIAS
CAMPOLINA, A. G.; CICONELLI, R. M. Qualidade de vida e medidas de utilidade: parâmetros clínicos
para as tomadas de decisão em saúde. PAN AMERICAN JOURNAL OF PUBLIC HEALTH. Volume
19, 2, p. 128-36, March 15, 2006.
CORRAR, L. J.; THEÓPHILO, C. R. (coordenadores). Pesquisa operacional para decisão em contabilidade
e administração. São Paulo: Atlas. 2004.
FERREIRA, J. S. Decisão, 2004. Disponível em: http://www2.egi.ua.pt/cursos_2004/files/SAD/Decisão.
pdf Acesso em 15/06/2009.
GOMES, L. F.; GOMES, C. F.; ALMEIDA, A. T. Tomada de decisão gerencial – Enfoque multicritério.
3. ed. São Paulo: Atlas. 2009.
HERTZ, D. B. Análise de risco em investimentos de capital. Biblioteca Harvard. 1980.
HILLIER, F. S. Introdução à pesquisa operacional. 8. ed. São Paulo: McGraw Hill. 2006.
LEÃO, F. B.; SILVA, L. G. W; MANTOVANI, J. R. S. Localização de faltas em sistemas de energia elétrica
através de um modelo de programação binária e algoritmo genérico. XVI CBA, 2006.
MEDEIROS, V. Z. Métodos quantitativos com Excel. São Paulo: Cengage Learning. 2008.
MENDES, E. L.; SOARES, T. M.; SOUZA, R. C. Escores de variáveis latentes: Uma opção para o índice
ANEEL de satisfação do consumidor. APDIO – Associação Portuguesa de Investigação Operacional,
26, p. 211-25, 2006.
MOORE, J. H.; WEATHERFORD, L. R. Tomada de decisão em administração com planilhas eletrônicas.
6. ed. Porto Alegre: Bookman. 2005.
MOREIRA, D. A. Pesquisa operacional: Curso introdutório. São Paulo: Thomson Learning. 2007.
VATTER, P. A.; BRADLEY, S. P.; JACKSON, B. B.; FREY, JR., S. C. Quantitative methods in manage-
ment: text and cases. Homewood: Irwin. 1978.
Parte II

Métodos de previsão
Métodos de previsão podem ajudar as empresas a, entre outros objetivos:

● planejar e estimar melhor os valores dos investimentos a serem realizados,


os estoques a serem criados, a capacidade de atendimento necessária para
a prestação de um serviço, o tamanho da produção etc.;
● verificar o efeito da entrada de concorrentes;

● descobrir onde é necessário o esforço de venda e se criar cronogramas

diferenciados de promoções e descontos.

Como resultado do processo de previsão, estimativas superestimadas (previsão


acima do real) acarretam o chamado custo de excesso, que pode se manifestar
na forma de, por exemplo, custo fixo maior, custo desnecessário de estoque,
obsolescência, perecibilidade ou gasto maior de propaganda.
Já estimativas subestimadas (previsão abaixo do real) ocasionam o chamado
custo de falta, que pode assumir a forma de, por exemplo, perda da margem de
contribuição de um produto ou serviço, ordens em espera na fila de produção
ou consequências negativas de uma demanda não atendida.
Por isso, o objetivo consiste em realizar previsões que sejam o mais próximo
possível da realidade, ou seja, criar modelos que apresentem menores erros de
previsão possíveis.
Existem métodos qualitativos e quantitativos de previsão. Os métodos quan-
titativos, que são o objeto desta Parte II, podem ser subdivididos em dois tipos:
os causais e os de série temporal.
Os métodos causais são recomendados quando a variável a ser predita está
fortemente correlacionada com outras variáveis que estão sujeitas a grandes
variações. Eles costumam apresentar resultados bastante satisfatórios, mas
carregam, intrinsecamente, dois inconvenientes:

1. é necessário o acesso ao histórico não só da variável a ser prevista, como também


das variáveis capazes de impactar a grandeza que está se querendo estimar;
2. é preciso saber prever o valor futuro destas variáveis potencialmente impac-
tantes, chamadas variáveis explicativas, para que a grandeza em questão
possa ser bem estimada.
75
76 PARTE | II  Métodos de previsão

O representante clássico dos métodos causais é a Regressão Múltipla, abordada


nos Capítulos 5 e 6. Mediante a Regressão Múltipla, tenta-se prever, em um call
center que recebe chamadas de clientes com reclamações ou dúvidas acerca de
sua conta telefônica, respectivamente, o volume e a duração média de ligações
recebidas diariamente, em função de diversos fatores, como o dia da semana, a
ocorrência de feriados e a data da chegada e do vencimento da conta.
Já os métodos de série temporal1 pressupõem que os fatores temporais que
influenciaram padrões da atividade no passado continuarão a fazê-lo, de forma
similar, no futuro. Em vista disso, eles envolvem a projeção de valores futuros
de uma variável, com base, inteiramente, em observações do histórico dessa
variável; em outras palavras, outras variáveis não entram na análise e, natural-
mente, não precisam ter seus valores coletados nem previstos.
Portanto, esses métodos acabam sendo mais simples e, o que é mais importan­
te, podem ser aplicados em uma gama maior de situações,2 quando comparados
aos modelos causais. No entanto, algumas vezes, seus resultados não costumam
ser tão satisfatórios.
Existem diversos métodos de séries temporais,3 sendo um dos mais completos
o da Decomposição Clássica, que tem, como consequência natural, a sua com-
plexidade, que pode ser considerada relativamente alta, sobretudo no que diz
respeito aos procedimentos operacionais. Em função disso, este livro oferece,
como último material desta Parte II, um tutorial multimídia (texto-planilha) sobre
o método da Decomposição Clássica, que está apresentado no Apêndice.

1. Uma série temporal consiste em um conjunto de dados numéricos obtidos durante períodos
regulares ao longo do tempo.
2. Notadamente quando não estão disponíveis informações acerca de outras variáveis.
3. Média Móvel, Amortecimento Exponencial Simples, Análise de Tendência, Método de Holt,
Modelo de Winter etc.
Capítulo 5

Previsão da demanda de ligações


em um call center por meio
de um modelo de Regressão
Múltipla
Marco Aurélio Carino Bouzada
MADE/UNESA

Objetivos de aprendizagem do capítulo


● Saber construir um modelo causal, capaz de explicar o comportamento de uma
grandeza real com base no comportamento de outras variáveis.
● Entender as vantagens de um modelo causal em relação a um modelo de série
temporal.
● Aprender a quantificar variáveis qualitativas e incluí-las no modelo por meio de
variáveis dummy.
● Conseguir aferir a capacidade de explicação do modelo.
● Conseguir aferir a capacidade de explicação de cada variável e entender como cada
uma impacta a variável dependente.
● Saber refinar o modelo, tornando-o mais parcimonioso com a retirada de variáveis
pouco explicativas.
● Entender como obter e interpretar a equação capaz de prever a variável dependente.
● Aprender a mensurar o erro de previsão decorrente da utilização de modelo desen-
volvido.

INTRODUÇÃO
Call centers consistem em centros operacionais, instalados para o uso da telecomuni-
cação e das tecnologias computacionais, para automatizar uma quantidade volumosa
de diferentes atividades e serviços telefônicos, tanto recebidos quanto originados pelo
centro. Os centros do tipo inbound, onde as chamadas são originadas pelos clientes,
são caracterizados como um sistema constituído de várias pessoas (atendentes), que
recebem ligações telefônicas de outras pessoas, normalmente clientes – ainda que
potenciais, que desejam obter alguma informação, contratar algum serviço, comprar

77
78 PARTE | II  Métodos de Previsão

algum produto, responder a alguma pesquisa, atualizar dados, registrar ocorrências


ou fazer reclamações, entre outras demandas.1
Os gerentes e planejadores dos call centers exercem funções que, hoje em dia,
exigem muito mais empenho e capacidade do que no passado. Com mais produtos e
serviços sendo criados, disponibilizados no mercado, vendidos e assistidos, em relação
a momentos anteriores, eles precisam entender o que está havendo nos call centers
para saber como as suas características influenciam os indicadores de desempenho.
Certamente a utilização de simples palpites, experiências de tentativa e erro, intuição
ou softwares de funcionamento invisível para o usuário não representam a melhor
alternativa para os gerentes das centrais de empresas que querem ser bem-sucedidas.2
Os supervisores dos call centers, responsáveis pelo planejamento operacional,
precisam dimensionar eficientemente as suas equipes de modo a proporcionar níveis de
serviço satisfatórios a custos razoáveis. A administração apropriada das centrais requer
a estimação de algumas características operacionais que levam ao dimensionamento re-
comendado da equipe de atendimento; dentre essas características, destaca-se a demanda
de ligações de clientes, questão a ser permanentemente abordada neste tipo de negócio.3
Considerando-se que o custo de pessoal representa aproximadamente 70% do
total da indústria, a matéria-prima para o processo de gerenciamento eficiente (níveis
satisfatórios de serviço a custos razoáveis) de um call center consiste na previsão da
demanda de ligações e da consequente carga de trabalho, que precisam, então, ser
estimadas da forma mais acurada possível. Essa necessidade confere à previsão de
demanda de ligações o status de atividade crítica durante a busca pela eficiência e
pela efetividade do negócio. Uma previsão acurada dos parâmetros do sistema é um
pré-requisito para um nível de serviço consistente, representando um dos passos mais
importantes do processo como um todo.4
A previsão do volume de chamadas é um importante aspecto das operações em call
centers, sendo necessária para a previsão de carga de trabalho, alocação de mão de obra
e planejamento de capacidade. Em geral, existem algumas regularidades nos dados de
chegada das chamadas, como a dependência entre os dias, ou seja, a correlação entre
os volumes de dias consecutivos e possíveis ciclos semanais, mensais e até anuais nos
volumes de ligações; e a dependência intradiária, ou seja, a correlação entre chegadas
em diferentes períodos de tempo – manhã, tarde ou noite – dentro do mesmo dia.5
O processo de previsão consiste tanto em arte quanto em ciência. Em arte, porque
o futuro, afinal de contas, está sendo previsto e a acurácia da previsão vai depender
em parte do julgamento e da experiência de quem estiver conduzindo o processo. Mas
também em ciência: um processo matemático, passo a passo, que utiliza a história
passada para prever eventos futuros. Assim, um entendimento de técnicas estatísticas
especializadas é necessário para o processo ser benfeito. Os administradores que

1. Grossman et al. (2001); Hawkins et al. (2001).


2. Mehrotra; Profozich; Bapat (1997).
3. Weinberg; Brown; Stroud (2006); Klungle; Maluchnik (1997).
4. Hall; Anton (1998); Alam (2002); Gans; Koole; Mandelbaum (2003); Reynolds (2005); Bouzada (2006);
Weinberg; Brown; Stroud (2006).
5. Shen; Huang (2005).
Capítulo | 5 Previsão da demanda de ligações... 79

possuem softwares de gerenciamento de força de trabalho, que automatizam o processo


de previsão, não podem pensar que isso apenas é suficiente; entender estes cálculos é
tão crítico quanto possuir o software: não só para verificar a acurácia dos resultados
como também, e talvez de forma mais importante, para explicar os números para a
gerência. Ou seja, mesmo tendo as ferramentas, vale a pena entender os fundamentos
do processo de previsão.6
Para gerar previsões acuradas dos volumes futuros de chamadas, os gerentes dos
call centers precisam juntar informações de várias fontes, desde previsões do mercado
até, eventualmente, a duração dos intervalos comerciais veiculados na mídia. No entan-
to, parte importante das informações provém das estatísticas do histórico de chamadas
que, usualmente, podem ser ajustadas para as tendências atuais ou esperadas.7
Os modelos de séries temporais têm sido a abordagem mais utilizada para o trata-
mento da previsão de chamadas telefônicas. No entanto, outros modelos de previsão
foram aplicados com sucesso em alguns ambientes de call center, como, por exemplo,
centrais de vendas cuja previsão de chamadas se baseia nas remessas de produtos
recebidas e nas propagandas enviadas aos potenciais clientes.8
A atividade de previsão é inerentemente difícil no caso dos call centers em razão
do tamanho relativamente pequeno dos intervalos de tempo utilizados na prática.
Técnicas de previsão estabelecidas, como o Amortecimento Exponencial de Winters
e a Regressão Linear Múltipla, são úteis para este tipo de negócio. Geralmente, usar
uma abordagem de previsão apropriada irá reduzir pela metade os erros de previsão.
No entanto, muitos call centers encontram dificuldades nesse processo por conta do
conhecimento técnico necessário para adequar estas técnicas aos complexos padrões
de chamadas e ao aspecto pouco organizado dos dados.9
Em geral, se a variável a ser predita está fortemente correlacionada com outras
variáveis que estão sujeitas a grandes variações, um modelo multivariado é necessário.
O método da Regressão Múltipla, em particular, é relativamente robusto em relação a
afastamentos dos pressupostos da normalidade e da homocedasticidade. Além disso, a
eventual ocorrência de multicolinearidade entre as variáveis explicativas não prejudica
a capacidade preditiva do modelo, causando apenas problemas quanto à sua parcimônia
e de compreensão do real efeito das variáveis independentes sobre o comportamento
da variável dependente.10

O PROCESSO DE PREVISÃO DE DEMANDA NO CALL CENTER


ESTUDADO SEM A REGRESSÃO MÚLTIPLA
A principal ferramenta que a empresa estudada utiliza para auxiliar as decisões geren-
ciais de planejamento operacional é um software totalmente integrado à infraestrutura
de telefonia. O produto consiste em uma ferramenta de força de trabalho utilizada

6. Reynolds (2005); Bouzada (2006).


7. Matan; Nourbakhsh (1998).
8. Mehrotra (1997).
9. Grossman et al. (2001).
10. Silver (2000); Levine; Berenson; Stephan (2000); Corrar; Paulo; Dias Filho (2007).
80 PARTE | II  Métodos de Previsão

para dimensionar e controlar o atendimento, que auxilia os gerentes – entre outras


atividades – na previsão de demanda (por horário e dia da semana).
De acordo com a gerência da empresa, a principal preocupação consiste em con-
seguir melhorar as previsões de demanda de ligações. A acurácia das previsões não é
boa para alguns produtos. Para o produto que abrange clientes que buscam serviços
relacionados à telefonia fixa, como mudança de endereço de cobrança e dúvidas ou
problemas com a conta telefônica, a empresa dispõe de todas as informações que
poderiam fornecer uma melhor previsão, estando apenas carente de um método mais
adequado. Essas informações são basicamente as quantidades de contas enviadas para
os clientes em cada data, normalmente cinco a seis dias antes do vencimento, e as suas
próprias datas de vencimento. A impressão da gerência é que a demanda de ligações
para o produto é influenciada pelos eventos de chegada da conta e pelo seu próprio
vencimento, datas em que haveria maior acesso ao serviço por parte dos clientes. O
problema é que o sistema utilizado para previsão de demanda não leva em conta essas
informações.
A magnitude do erro absoluto percentual médio, segundo a ótica diária, incorrido
durante o processo de previsão de demanda para o produto em questão era da ordem
de 5%. Na opinião dos responsáveis pela previsão de demanda, esse indicador de
erro encontra-se em um patamar baixo, sendo considerado mais do que aceitável. No
entanto, estes responsáveis entendem que existe um potencial de melhoria no processo,
de forma que esses erros podem se tornar ainda menores.
O primeiro passo do processo de previsão de demanda para o produto em questão
consiste na geração de uma previsão básica, realizada pelo software de gerenciamento
de força de trabalho. O segundo passo consiste em uma crítica, por parte dos analistas
da coordenação, a esses números gerados pelo software. O terceiro passo consiste em
incorporar aos valores previstos o possível impacto causado por alguns eventos es-
pecíficos, como a segunda-feira de Carnaval ou uma ocorrência diferente em algum
sábado, por exemplo. A maneira de incorporar tais impactos depende de o evento ser
novo ou desconhecido e do prévio conhecimento das suas consequências.
Alguns dos eventos especiais podem ter seu impacto previsto de uma forma melhor,
quando a equipe de analistas é subsidiada por algumas premissas recebidas de outros
setores capazes de impactar a demanda de chamadas, como: previsão de crescimento
da base de clientes; implantação de novos planos e serviços na telefonia fixa, como o
plano de minutos, por exemplo.
Essas premissas também envolvem o comportamento dos ciclos das contas tele-
fônicas dos clientes, uma informação oriunda do setor de faturamento da empresa
telefônica e que ajuda a previsão de demanda do produto em questão. A informação
consiste, basicamente, nas quantidades de contas enviadas para os clientes em cada
data, normalmente cinco a seis dias antes do vencimento. Ela é útil porque a demanda
de ligações para o produto é influenciada, segundo a equipe de previsão, pelos eventos
de chegada da conta no destino e seu vencimento, datas em que haveria maior acesso
ao serviço por parte dos clientes, para fins de esclarecimento e/ou reclamação.
Na verdade, durante todo o período de quatro a cinco dias em que a conta está
com o cliente (desde a chegada até o vencimento), ocorre um acréscimo no volume
de ligações, mas o maior impacto acontece no momento da chegada da conta na
Capítulo | 5 Previsão da demanda de ligações... 81

residência do cliente, na opinião da coordenação responsável pelo produto. Segundo


os analistas, o impacto pós-vencimento existe quando o cliente que esqueceu de pagar
a conta liga para saber como proceder, mas é pequeno, não sendo significativo em
termos de aumento de demanda.
O problema é que o software não leva em conta isso; a sazonalidade do dia da
semana é considerada, mas não a distância do dia em relação à chegada da conta ou
ao seu vencimento. Por exemplo, a conta de determinado cliente vence no dia 10 de
cada mês, e não na segunda quarta-feira; então, no mês em que o dia 10 caísse em uma
terça-feira, esse dia da semana deveria ser mais impactado do que os outros, enquanto
no mês em que o dia 10 caísse em uma quarta-feira, o impacto maior deveria ser
incluído neste dia. Mas o software considera, em termos de sazonalidade, todas as
terças-feiras da mesma forma, seguindo o mesmo raciocínio para os outros dias da
semana. Além disso, há meses em que as contas não são enviadas exatamente cinco
dias antes do vencimento, e a chegada da conta ao destino também deve ser considerada
como um evento especial.
Essas informações são levadas em conta no processo de previsão, mas não de
forma automática. Toda a análise é feita pela equipe de previsão, e não pelo software.
Mas durante esse processo, os analistas não levam em conta um possível impacto da
véspera e da antevéspera do vencimento da conta e nem do período pós-vencimento;
apenas o efeito dos eventos chegada e vencimento.

O PROCESSO DE PREVISÃO DE DEMANDA COM A REGRESSÃO


MÚLTIPLA
A ideia consiste em fugir dessa pós-análise não metódica – que depende muito da
intuição do analista – e poder contar com uma ferramenta que use as informações do
faturamento no processo de elaboração das previsões, para que se possa evitar o traba-
lho manual, que aumenta a possibilidade de erro. A ferramenta não tem a pretensão
de substituir a intuição e a experiência da equipe de previsão, mas servir de apoio à
tomada de decisão. Ou seja, a opinião dos especialistas não deve ser descartada; ela
deve, sim, ser utilizada para enriquecer o modelo que busca, basicamente, objetivizar
as informações subjetivas que são relevantes para o processo de previsão.
O método escolhido foi o da Regressão Múltipla, pois é capaz de captar o impacto
específico de cada evento e informação na demanda de cada dia. Por exemplo, qual o
impacto, na demanda de ligações, do fato de o dia em questão cair em uma quinta-feira?
Qual o impacto de o dia consistir em um feriado? E de chegarem 200 mil contas para os
clientes no dia em questão? E de o dia ser a véspera do vencimento de 500 mil contas?
A ideia é verificar a distância do dia específico em relação aos eventos especiais, a
chegada e o vencimento das contas, e calcular para quantas contas esse é o dia C (dia de
chegada), o V (dia do vencimento), o V – 1 (véspera do vencimento), o V – 2 (antevés-
pera do vencimento), ..., V + 1 (dia seguinte ao vencimento), V + 2, ... entre outros.
De posse do cronograma de faturamento fornecido pela equipe de previsão, para o
período de julho de 2005 a julho de 2006, foi possível consolidar as informações em
termos da data de chegada e da data de vencimento das contas, conforme apresentado
parcialmente nas Tabelas 5.1 e 5.2, respectivamente.
82 PARTE | II  Métodos de Previsão

TABELA 5.1 Contas agrupadas por data de chegada prevista (setembro a outu-
bro de 2005)

Data de Chegada Prevista Total


06/09/05 3.360.569

13/09/05 801.143

14/09/05 432.670

15/09/05 709.437

26/09/05 1.315.342

27/09/05 820.855

28/09/05 1.555.097

29/09/05 2.506.038

04/10/05 1.808.735

05/10/05 1.167.447

07/10/05 800.105

11/10/05 1.890.364

18/10/05 709.437

26/10/05 1.731.518

28/10/05 587.118

Total 20.195.875

Para poder ser desenvolvido o modelo de regressão múltipla para prever a quan-
tidade de ligações em cada data, foi preciso ter acesso ao histórico desta grandeza.
Por motivo de sigilo estratégico, esses valores não puderam ser revelados, em sua
plena magnitude; no entanto, a eles foi aplicada uma constante de proporcionalidade,
e os resultados, de julho de 2005 até março de 2006, fornecidos pela empresa, estão
apresentados graficamente na Figura 5.1.
Como se observa, a série não apresenta tendência de crescimento ou de decres-
cimento, mas apenas um comportamento errático, dispensando, assim, a necessidade
de inclusão de uma variável associada à passagem do tempo.
De posse de todas essas informações foi possível montar uma planilha com os
dados necessários para a construção do modelo de regressão múltipla dentro do qual
o comportamento da variável dependente quantidade de ligações em um dia específico
poderia estar sendo explicado – inicialmente – por 10 variáveis independentes:
● dia da semana;
● feriado – se o dia específico consiste em um feriado ou não;
Capítulo | 5 Previsão da demanda de ligações... 83

TABELA 5.2 Contas agrupadas por data de vencimento (setembro a outubro


de 2005)

Vencimento Total
04/09/05 2.142.215

07/09/05 1.918.920

11/09/05 2.177.552

13/09/05 798.630

15/09/05 1.456.656

17/09/05 801.143

20/09/05 432.670

23/09/05 709.437

01/10/05 2.136.197

04/10/05 2.142.215

07/10/05 1.918.920

11/10/05 2.177.552

13/10/05 798.630

15/10/05 1.456.656

17/10/05 801.143

20/10/05 432.670

23/10/05 709.437

Total 23.010.643

● chegada (C) – quantas contas estão previstas para chegarem ao cliente no dia es-
pecífico;
● vencimento (V) – quantas contas vencem no dia específico;

● V – 3 – para quantas contas aquele dia específico corresponde a três dias antes

do vencimento, ou, em outras palavras, quantas contas irão vencer três dias
depois da data específica;
● V – 2 – para quantas contas aquele dia específico corresponde à antevéspera

do vencimento;
● V – 1 – para quantas contas aquele dia específico corresponde à véspera do

vencimento;
● V + 1 – para quantas contas aquele dia específico corresponde a um dia depois

do vencimento, ou, em outras palavras, quantas contas terão vencido na véspera


daquela data específica;
84 PARTE | II  Métodos de Previsão

FIGURA 5.1  Quantidade de ligações por dia (julho de 2005 a março de 2006).

● V + 2 – para quantas contas aquele dia específico corresponde a dois dias depois
do vencimento;
● V + 3 – para quantas contas aquele dia específico corresponde a três dias depois
do vencimento.
A Tabela 5.3 apresenta, em parte, a planilha de dados em questão.
Cabe salientar que as variáveis independentes dia da semana e feriado foram traba-
lhadas como sendo do tipo dummy (0 = Não; 1 = Sim). Foi criada uma variável dummy
para a ocorrência de feriado e seis variáveis dummy para o dia da semana: domingo,
segunda-feira, terça-feira, quarta-feira, quinta-feira e sexta-feira.
Dessa forma, para o dia 28/02/2006, por exemplo, a variável dummy feriado as-
sumiu o valor 1, por se tratar da terça-feira de Carnaval; as variáveis dummy domingo,
segunda-feira, quarta-feira, quinta-feira e sexta-feira assumiram o valor 0, enquanto
a variável dummy terça-feira assumiu o valor 1. Seguindo o mesmo raciocínio, para o
dia 04/02/2006, por exemplo, a variável dummy feriado assumiu o valor 0; e as variáveis
dummy domingo, segunda-feira, terça-feira, quarta-feira, quinta-feira e sexta-feira
assumiram o valor 0, caracterizando, portanto e por exclusão, o dia em questão como
sendo um sábado.
Após a regressão ser executada, a primeira análise aponta para um modelo com
um potencial de explicação muito bom, já que o R-quadrado ajustado indica que 84%
da variação dos dados pode ser explicada. Neste caso, pode-se inferir a real influência
das variáveis explicativas na quantidade de ligações e aceitar o modelo com elevada
confiança, já que o nível de significância da estatística F foi igual a 0,0000.
A contribuição de cada variável independente é expressa pelos coeficientes es-
timados, juntamente com os respectivos p-values (ou valores p), apresentados na
Tabela 5.4.
TABELA 5.3 Planilha de dados do modelo de regressão múltipla para prever a quantidade de ligações (fevereiro de 2006)

Dia da Vencimento
Dia semana Feriado? Chegada (C) V – 3 V–2 V–1 (V) V + 1 V + 2 V + 3 Ligações
01/02/200 4ª-feira Não 2.506.038 2.142.215 - - 2.136.197 - - - 199.908

02/02/200 5ª-feira Não - - 2142.215 - - 2.136.197 - - 195.497

03/02/200 6ª-feira Não 1.122.892 - - 2.142.215 - - 2.136.197 – 185.542

04/02/200 Sábado Não - 1.918.920 - - 2.142.215 - - 2.136.197 116.657

05/02/200 Domingo Não - - 1.918.920 - - 2.142.215 - - 65.558

Capítulo | 5 Previsão da demanda de ligações...


06/02/200 2ª-feira Não 587.354 - - 1.918.920 - - 2.142.215 - 216.104

07/02/200 3ª-feira Não 1.484.473 - - - 1918.920 - - 2.142.215 221.831

08/02/200 4ª-feira Não 1.238.119 2.177.552 - - - 1.918.920 - - 213.584

09/02/200 5ª-feira Não 801.143 - 2.177.552 - - - 1.918.920 - 200.359

10/02/200 6ª-feira Não - 798.630 - 2.177.552 - - - 1.918.920 185.882

11/02/200 Sábado Não - - 798.630 - 2.177.552 - - - 122.764

12/02/200 Domingo Não - 1.456.656 - 798.630 - 2.177.552 - - 72.033

13/02/200 2ª-feira Não - - 1.456.656 - 798.630 - 2.177.552 - 197.231

14/02/200 3ª-feira Não 432.670 801.143 - 1.456.656 - 798.630 - 2.177.552 181.092

15/02/200 4ª-feira Não 709.437 - 801.143 - 1.456.656 - 798.630 - 188.990

16/02/200 5ª-feira Não - - - 801.143 - 1.456.656 - 798.630 174.253

17/02/200 6ª-feira Não - 432.670 - - 801.143 - 1.456.656 - 156.317

85
(Continua)
86
PARTE | II  Métodos de Previsão
TABELA 5.3 Planilha de dados do modelo de regressão múltipla para prever a quantidade de ligações (fevereiro de 2006) (cont.)

Dia da Vencimento
Dia semana Feriado? Chegada (C) V – 3 V–2 V–1 (V) V + 1 V + 2 V + 3 Ligações
18/02/200 Sábado Não. - 432.670 - - 801.143 - 1.456.656 105.306

19/02/200 Domingo Não - - - 432.670 - - 801.143 - 63.827

20/02/200 2ª-feira Não - 709.437 - - 432.670 . - 801.143 171.921

21/02/200 3ª-feira Não - - 709.437 - - 432.670 - - 155.035

22/02/200 4ª-feira Não 2.136.197 - - 709.437 - - 432.670 - 152.537

23/02/200 5ª-feira Não 1.555.097 - - - 709.437 - - 432.670 140.621

24/02/200 6ª-feira Não 2.506.038 - - - - 709.437 - - 139.056

25/02/200 Sábado Não - - - - - - 709.437 – 86.746

26/02/200 Domingo Não - 2.136.197 - - . - - 709.437 49.520

27/02/200 2ª-feira Sim - - 2.136.197 - - - - - 85.790

28/02/200 3ª-feira Sim - - - 2.136.197 - - - - 75.801


Capítulo | 5 Previsão da demanda de ligações... 87

TABELA 5.4 Coeficientes estimados das variáveis independentes do modelo


de regressão múltipla para prever a quantidade de ligações na data em questão

Coeficientes valor-P
Interseção 92.545 0,00

Domingo (41.228) 0,00%

2ª-feira 79.882 0,00%

3ª-feira 75.694 0,00%

4ª-feira 73.812 0,00%

5ª-feira 73.068 0,00%

6ª-feira 61.763 0,00%

Feriado (71.088) 0,00%

Chegada (C) 0,0035 13,57%

V–3 0,0052 2,21%

V-2 0,0042 7,81%

V–1 0,0068 0,47%

Vencimento (V) 0,0074 0,19%

V + 1 0,0071 0,30%

V + 2 0,0064 0,75%

V + 3 0,0009 68,36%

Na Tabela 5.4, observa-se um elevado valor p para a variável V + 3, indicando


que a quantidade de contas para as quais aquele dia específico corresponde a três dias
depois do vencimento não pode ser vista como um bom previsor para a quantidade de
ligações na data em questão.
Assim sendo, o efeito pós-vencimento parece, então, acabar já no segundo dia após
o vencimento da conta, já que os valores p de V + 1 e V + 2 são baixos; em outras
palavras, os clientes ainda ligam um ou dois dias após o vencimento da conta, mas esse
impacto desaparece a partir do terceiro dia, deixando de ser significativo.
A variável V + 3 pode estar contaminando o modelo e convém retirá-la da análise.
Sem ela, um novo modelo de regressão foi gerado, continuando com um potencial
muito bom e até ligeiramente melhor, já que 85% da variação dos dados pode ser
explicada por ele.
Os coeficientes de regressão estimados, juntamente com os respectivos valores p,
estão apresentados na Tabela 5.5.
Como pode ser observado, os valores p das outras variáveis mudaram muito
pouco e, para este modelo modificado, apenas duas variáveis apresentam coeficientes
angulares com valores p superiores a 5%: Chegada (C) e V – 2.
88 PARTE | II  Métodos de Previsão

TABELA 5.5 Coeficientes estimados das variáveis independentes do modelo


(sem V + 3) de regressão múltipla para prever a quantidade de ligações na data
em questão

Coeficientes valor-P
Interseção 92.693 0,00%

Domingo (41.103) 0,00%

2ª-feira 79.874 0,00%

3ª-feira 75.900 0,00%

4ª-feira 73.908 0,00%

5ª-feira 73.082 0,00%

6ª-feira 61.898 0,00%

Feriado (71.345) 0,00%

Chegada (C) 0,0034 14,30%

V–3 0,0052 2,11%

V–2 0,0042 7,86%

V–1 0,0072 0,13%

Vencimento (V) 0,0077 0,06%

V + 1 0,0071 0,30%

V + 2 0,0060 0,71%

Em relação a esta última variável, ela será mantida no modelo porque o valor p
do seu coeficiente está abaixo de um valor também bastante utilizado como nível de
significância nos testes de hipóteses (10%) e pelo fato de as variáveis V – 3 e V – 1
apresentarem-se também como bons previsores. Ora, não faria muito sentido manter no
modelo V – 3, retirar V – 2 e manter V – 1, pois a continuidade estaria sendo quebrada;
seria o mesmo que afirmar que os clientes ligam para o produto em questão três dias
antes do vencimento e na sua véspera, mas não na antevéspera!
Já a variável Chegada (C) também será mantida no modelo, apesar de apresentar
um valor p maior do que 10%, pelo fato de ter sido identificada, na opinião subjetiva e
calcada na experiência da equipe de planejamento, como crítica e muito impactante na
demanda de ligações, contrariando o resultado objetivo que indica um coeficiente não
significativo para essa variável. Também é válido ressaltar que seu valor p (14,30%)
não ficou tão acima de um nível de significância considerado bom (5%).
Essa intervenção subjetiva em um modelo tão objetivo traz à tona a já mencionada
importância da utilização da opinião de especialistas na construção de um processo de
previsão, mesmo nos casos em que esse é essencialmente sistemático.
Capítulo | 5 Previsão da demanda de ligações... 89

Dessa forma, a retirada da variável V + 3 foi benéfica ao modelo, tornando-o mais
parcimonioso e permitindo uma interpretação dos coeficientes obtidos.
O primeiro coeficiente corresponde ao valor da variável dependente quantidade
de ligações quando todas as variáveis independentes assumirem o valor zero; ou seja,
quando domingo, segunda-feira, terça-feira, quarta-feira, quinta-feira, sexta-feira,
feriado, C, V – 3, V – 2, V – 1, V, V + 1 e V + 2 forem zero – ou, ainda, quando o dia
for sábado, não feriado e não consistir da data de chegada, nem de nenhuma data dentro
do intervalo de seis dias em torno do vencimento de alguma conta, a quantidade de
ligações demandadas prevista é de 92.693.
Esse número pode ser encarado como uma quantidade básica, à qual devem ser
adicionados os efeitos da ocorrência das variáveis independentes, quantificados pelos
seus respectivos coeficientes angulares.
Assim, o fato de o dia ser domingo contribui com uma diminuição de 41.103
ligações previstas em relação ao número básico (92.693); a segunda-feira espera,
segundo o modelo, 79.874 ligações a mais do que o dia básico (sábado); a terça-feira,
75.900 ligações a mais do que o sábado; a quarta-feira, 73.908 ligações a mais; a
quinta-feira, 73.082 a mais; e a sexta-feira, 61.898 ligações a mais do que o dia básico.
Com essas informações, é possível elaborar um gráfico (Figura 5.2) que permite
uma melhor visualização da sazonalidade do dia da semana.
A evolução da demanda de ligações ao longo da semana, considerando dias sem
a ocorrência de feriados e não próximos da chegada ou do vencimento de contas,
começa com um valor bem baixo no domingo, apresentando um grande aumento na
segunda-feira; a demanda vai caindo suavemente ao longo da semana, tendo uma
queda um pouco mais brusca na sexta-feira e bem mais intensa no sábado, antes de
voltar ao patamar de domingo.

FIGURA 5.2  Comportamento sazonal do dia da semana – modelo sem V + 3.


90 PARTE | II  Métodos de Previsão

De forma análoga aos dias da semana, o fato de um dia ser feriado reduz em
71.345 a quantidade prevista de ligações; e cada conta telefônica prevista para chegar
à casa do cliente naquele dia aumenta em 0,0034 a previsão da quantidade de ligações
demandadas para o dia em questão. Assim, se, por exemplo, 100 mil contas estiverem
chegando em um dia específico, é de se esperar que isso implique um aumento de
100.000 × 0,0034 = 340 ligações no contingente diário. Se esse número for examinado
de forma percentual, é possível concluir que, em média, 0,34% (= 0,0034) dos clientes
ligam para a empresa telefônica no dia em que recebem a conta.
Em relação aos dias próximos à data do vencimento, é análogo o raciocínio que
explica as consequências: cada conta vencendo três dias depois, ou seja, para as quais a
data em questão representa V – 3, aumenta em 0,0052 a quantidade de ligações; cada
conta vencendo dois dias depois aumenta em 0,0042 a quantidade de ligações; cada conta
vencendo no dia seguinte aumenta em 0,0072 essa quantidade; cada conta vencendo
no dia em questão aumenta em 0,0077 a mesma quantidade; cada conta vencendo
na véspera aumenta em 0,0071 a quantidade; e cada conta vencendo na antevéspera
aumenta em 0,0060 a quantidade prevista de ligações.
Naturalmente, os coeficientes não têm apenas significado isolado, mas também
podem e devem ser analisados em conjunto: se as consequências dos efeitos dia da
semana, ocorrência de feriado e data crítica em relação à chegada ou ao vencimento da
conta forem incorporadas ao valor previsto para um dia básico, será possível estabelecer
uma equação para prever a quantidade demandada de ligações em determinado dia em
função das características da data em questão. Desta maneira, a quantidade de ligações
pode ser prevista conforme a Equação 5.1.

EQUAÇÃO 5.1  Equação do modelo para prever a quantidade de ligações

● as sete primeiras variáveis são do tipo dummy, assumindo o valor 0 (não) ou 1 (sim);
● as sete últimas representam, respectivamente: a quantidade de contas chegando no
dia; vencendo três dias depois; dois dias depois; um dia depois; no próprio dia; um
dia antes; e dois dias antes.
De posse dessa equação, é possível calcular quanto o modelo de regressão teria
previsto para a quantidade de ligações em cada um dos dias acerca dos quais o his-
tórico disponibiliza o valor real desta grandeza. Desta forma, pode-se comparar os
valores que teriam sido previstos com os que efetivamente ocorreram, de maneira
que um erro de previsão possa ser mensurado. Esta comparação pode ser visualizada
na Figura 5.3.
Capítulo | 5 Previsão da demanda de ligações... 91

FIGURA 5.3  Valores reais multiplicados por uma constante e previstos pelo modelo para a quan-
tidade de ligações por dia (julho de 2005 a março de 2006).

A diferença entre os valores reais e os gerados pelo modelo também é conhecida


como resíduo. Para ser usado um modelo de regressão múltipla, é necessário supor
que a correlação entre os resíduos, ao longo do espectro das variáveis independentes,
é zero; ou seja, que os resíduos são independentes entre si, não apresentando, conse-
quentemente, autocorrelação serial.11
Uma forma de verificar a validade dessa suposição é por meio do teste de Dur-
bin-Watson. No modelo que está sendo analisado, foi encontrado o valor 1,838 para
a Estatística DW. Esta estatística obtida deve ser comparada com valores críticos que
variam em função do nível de significância do teste, do tamanho da amostra e do
número de variáveis independentes.12
Com 5% de significância, 234 dados na amostra e 14 variáveis independentes, o
valor crítico inferior (dL) obtido foi 1,661 e o valor crítico superior (dU) encontrado
foi 1,914.13
Como o valor obtido para a Estatística DW (1,838) se situa entre os dois valores
críticos encontrados, o teste para verificar a existência de autocorrelação dos resíduos é
não conclusivo: não é possível garantir que os resíduos são independentes, mas também
é incorreto afirmar que existe uma relação de dependência entre eles.14
Sendo assim, parece válido examinar o gráfico do resíduo contra cada variável
independente a fim de procurar uma suposta autocorrelação e a identificação de uma

11. Corrar; Paulo; Dias Filho (2007).


12. Corrar; Paulo; Dias Filho (2007).
13. Valores encontrados em tabela disponível no endereço <http://www.stanford.edu/∼clint/bench/dwcrit.
htm>. Acesso em 24/01/2009.
14. Corrar; Paulo; Dias Filho (2007).
92 PARTE | II  Métodos de Previsão

eventual lei de formação nos valores dos resíduos à medida que o valor da variável
independente avança. A Figura 5.4 ilustra o caso da variável dummy quarta-feira.
Como pode ser observado, não parece existir uma lei de formação; ou seja, a magni-
tude dos resíduos não parece depender do valor da variável independente (quarta-feira).
Os resíduos apresentaram comportamento semelhante em relação às outras va-
riáveis dummy (feriado e as referentes aos outros dias da semana). E visto que o
modelo trabalha com 14 variáveis independentes, seria um tanto inviável apresentar
aqui tal quantidade de gráficos. Dessa forma, serão apresentadas graficamente apenas
as relações entre os resíduos e as outras variáveis independentes mais marcantes:
Chegada e Vencimento. Tais relações podem ser visualizadas nas Figuras 5.5 e 5.6,
respectivamente.
O comportamento dos resíduos em relação às outras variáveis (V – 3, V – 2, V – 1,
V + 1 e V + 2) é bastante similar ao verificado nas Figuras 5.5 e 5.6: parecem estar
distribuídos aleatoriamente em torno do eixo das abscissas, não apresentando nenhuma
tendência.
Tudo isso gera uma segurança maior para os resultados do modelo, já que o teste
para a verificação de autocorrelação serial dos resíduos foi não conclusivo. É claro que
esta última análise é meramente visual, carecendo de um cientificismo maior. Mas é
importante proceder dessa maneira principalmente em situações em que os critérios
objetivos apontam para uma indefinição, como foi o caso.
Já em relação à qualidade preditiva do modelo, foi possível perceber, na Figura 5.3,
a menos de alguns pontos específicos, uma boa aderência visual dos valores previstos
em relação aos dados reais. Esta aderência foi aqui formalizada pelo MAPE (Mean
Absolute Percentual Error), ou erro médio percentual absoluto.

FIGURA 5.4  Resíduos do modelo X variável dummy quarta-feira.


Capítulo | 5 Previsão da demanda de ligações... 93

FIGURA 5.5  Resíduos do modelo X variável Chegada.

FIGURA 5.6  Resíduos do modelo X variável Vencimento.

A título de ilustração, a Tabela 5.6 apresenta dados relativos ao mês de dezembro


de 2005, nos quais constam a quantidade real de ligações, os valores que o modelo de
regressão teria previsto para esta grandeza, assim como os erros percentuais absolutos
oriundos desta previsão. Pode-se calcular que o modelo teria errado em 15,5%, em
média, na previsão dos volumes diários de ligações durante o mês em questão.
94 PARTE | II  Métodos de Previsão

TABELA 5.6 Valores reais, previstos e erros do modelo de regressão múltipla


para prever a quantidade de ligações (dezembro de 2005)

Ligações (previstas Erro de previsão


Dia Dia da semana Feriado? Ligações pelo modelo) do modelo
01/12/2005 5ª-feira Não 189.179 193.288 2,2%
02/12/2005 6ª-feira Não 179.607 178.716 0,5%
03/12/2005 Sábado Não 119.738 121.003 11%
04/12/2005 Domingo Não 63.118 77.992 23,6%
05/12/2005 2ª-feira Não 209.398 203.208 3,0%
06/12/2005 3ª-feira Não 203.525 197.677 2,9%
07/12/2005 4ª-feira Não 201.497 186.681 7,4%
08/12/2005 5ª-feira Não 163.731 190.634 164%
09/12/2005 6ª-feira Não 165.708 175.358 5,8%
10/12/2005 Sábado Não 108.033 112.476 41%
11/12/2005 Domingo Não 65.321 71.680 97%
12/12/2005 2ª-feira Não 204.689 201.258 1,7%
13/12/2005 3ª-feira Não 202.289 196.754 2,7%
14/12/2005 4ª-feira Não 187.186 188.341 0,6%
15/12/2005 5ª-feira Não 168.579 185.651 10,1%
16/12/2005 6ª-feira Não 155.912 170.652 95%
17/12/2005 Sábado Não 102.895 109.900 68%
18/12/2005 Domingo Não 58.292 59.078 1,3%
19/12/2005 2ª-feira Não 170.636 180.520 5,8%
20/12/2005 3ª-feira Não 155.824 172.655 10,8%
21/12/2005 4ª-feira Não 145.547 170.260 170%
22/12/2005 5ª-feira Não 127.727 169.413 32,6%
23/12/2005 6ª-feira Não 116.546 155.684 33,6%
24/12/2005 Sábado Não 69.839 93.699 342%
25/12/2005 Domingo Sim 39.038 118.895) 1484%
26/12/2005 2ª-feira Não 152.909 172.567 12,9%
27/12/2005 3ª-feira Não 158.507 168.593 64%
28/12/2005 4ª-feira Não 164.109 166.601 1,5%
29/12/2005 5ª-feira Não 154.690 165.775 7,2%
30/12/2005 6ª-feira Não 124.406 154.591 24,3%
31/12/2005 Sábado Não 67.541 92.693 37,2%
Capítulo | 5 Previsão da demanda de ligações... 95

Mas dezembro é um mês atípico, com um comportamento geralmente mais difícil


de prever. Tal afirmação pode ser verificada neste exemplo particular a partir da
Figura 5.7, no qual é possível perceber que todos os outros meses relacionados, com
exceção de janeiro, outro período atípico, apresentam erros médios de previsão pelo
menos quatro pontos percentuais menores do que o erro médio de dezembro de 2005.
Em média, o modelo está incorrendo num erro de previsão da ordem de 10,98%.
Embora não possa ser considerado um valor elevado, ele é substancialmente maior que
os 5% em que a equipe de planejamento costuma incorrer na previsão de demanda do
produto em questão. No entanto, cabem aqui algumas observações.
É válido lembrar, por exemplo, que, durante o processo padrão de previsão,
os analistas recebem os valores previstos pelo software e acrescentam a eles os
impactos esperados por eventos e premissas, como o comportamento do ciclo de
contas e a ocorrência de feriados, assim como outros eventos especiais relacionados
ao produto, como plano de minutos, campanhas na mídia, crescimento de base e ou-
tros potenciais aspectos impactantes. Os 5% de erro de previsão só são conseguidos
após a consideração de todas essas subjetividades e dentro de um processo diário de
revisão da previsão.
Ora, o modelo de regressão proposto visa substituir apenas os valores sugeridos
pelo software, acrescidos da influência dos feriados e do comportamento dos ciclos
de contas; nunca foi a ideia substituir o papel do analista encarregado da previsão –
dotado de toda a sua valiosa experiência e subjetividade –, mas, sim, de fornecer-lhe um
subsídio complementar para a tomada de decisão. Assim, e visto que o analista estará
apto a acrescentar aos valores sugeridos pelo modelo de regressão os impactos que
julgar relevantes, é mais justo comparar os erros de previsão do modelo aqui proposto

FIGURA 5.7  Erro médio mensal do modelo de regressão múltipla para prever a quantidade de
ligações (julho de 2005 a março de 2006).
96 PARTE | II  Métodos de Previsão

com os erros oriundos do módulo de previsão do software, com o intuito de verificar


a ocorrência ou não de melhorias no processo de previsão.
Assim sendo, o MAPE do software para o mesmo período analisado foi de 13,54%,
superior, portanto, aos 10,98% do modelo de regressão.
Além disso, uma análise mais detalhada dos erros de previsão do modelo proposto
revela que alguns dos dias mais difíceis de prever e, portanto, com erros de previsão
potencialmente maiores, consistem em feriados ou datas que se comportam quase
como um feriado. Por exemplo, os dias 24/12/2005 e 31/12/2005 não foram clas-
sificados como feriados, mas certamente também não são dias comuns e devem gerar
uma demanda de ligações inferior ao de um dia padrão. O problema é que o modelo de
regressão não levou em conta isso, já que era possível classificar um dia apenas como
sendo feriado ou não; e visto que esses dias não eram efetivamente feriados, foram
tratados pelo modelo como dias comuns. Por este motivo, muito provavelmente, suas
demandas foram superestimadas e seus erros de previsão foram bem acima da média:
34,2% e 37,2%, respectivamente, conforme já apresentado na Tabela 5.6.
Problemas semelhantes, mas talvez em menor escala, certamente ocorreram em
alguns dias do ano que consistiram em feriados locais, mas não nacionais. Como o
modelo propõe uma previsão consolidada da demanda, só foi possível considerar os
feriados nacionais; por exemplo, o dia 20/01/2006, um feriado local na Cidade do
Rio de Janeiro, teve uma redução na demanda nacional provocada pela redução na
demanda da cidade mas, ao ser tratado como um dia normal pelo modelo, teve sua
demanda superestimada. Este problema também se observa nos feriados prolongados
e nos dias que se situam entre um feriado e o fim de semana, em que a demanda foge
do padrão.
Um problema ainda mais grave ocorreu com o dia 25/12/2005. Seu erro de previsão
foi de quase 150%, já que a demanda prevista assumiu um valor negativo, –18.895
ligações, conforme a Tabela 5.6. Isto aconteceu porque o dia em questão apresentava
dois efeitos negativos e redutores de demanda, que foram somados pelo modelo de
natureza aditiva: ser domingo e ser feriado. Mas, na prática, o efeito de um dia ser
feriado certamente é reduzido se ele cair em um domingo ou sábado; e isto não foi
levado em consideração, até porque só é possível considerar um dia como sendo feriado
ou não, e não como uma espécie de feriado moderado.
Na verdade, esses problemas aumentaram os erros de previsão, mas isso não
quer dizer que o processo futuro de previsão terá que incorrer nesses erros de grande
magnitude quando se tratar de dias com comportamentos diferentes. Na prática, quando
os analistas de previsão estiverem utilizando o modelo aqui proposto, eles poderão
manipular os valores da variável dummy feriado para os dias diferentes do padrão.
Assim, por exemplo, o dia 24/12 pode receber manualmente o valor 0,7 para a sua
variável Feriado, em vez de ser tratado como um dia normal; o dia 20/01 pode receber
o valor 0,4 da mesma forma; um feriado que caia num domingo pode ter o seu valor
da variável feriado reduzido de 1 para 0,6.
Depois dessa manipulação, basta considerar as informações do setor de faturamento
da empresa telefônica sobre os ciclos de contas e usar a Equação 1 apresentada ante-
riormente para prever a quantidade de ligações para o produto em questão, a cada dia.
Uma vez gerados os outputs da equação, os analistas podem incorporar os impactos
Capítulo | 5 Previsão da demanda de ligações... 97

esperados pelos eventos especiais, como campanhas de mídias, novos serviços etc. e,
desta forma, reduzir substancialmente os erros de previsão.

EXERCÍCIOS
1. A planilha Exercício 1 apresenta algumas características de alguns imóveis que
foram vendidos por uma corretora: a quantidade de banheiros, a área (em m2) e o
preço de venda (em US$).
a. Desenvolva um modelo de Regressão Múltipla capaz de explicar o preço de
venda do imóvel em função da quantidade de banheiros e da área.
b. Qual a capacidade explicativa deste modelo?
c. Como se comportam as variáveis independentes como explicadoras do preço
de venda? Trabalhe com 10% de significância.
d. Aplique a equação gerada pelo modelo para “prever” o preço de venda de cada
imóvel.
e. Calcule o erro percentual absoluto médio dessas previsões. Compare com o
resultado encontrado na letra b.
f. Segundo o modelo, qual seria o preço de venda de um imóvel com dois ba-
nheiros e 200 m2?
g. Segundo o modelo, qual seria o preço de venda de um imóvel com três banheiros
e 200 m2? Qual é o valor de um banheiro adicional?
h. Segundo o modelo, qual seria o preço de venda de um imóvel com três banheiros
e 300 m2? Qual é o valor de 100 m2 adicionais?

2. Uma cadeia de lojas que vende CDs de música está tentando determinar a eficiência
de sua propaganda via rádio e televisão. Foram coletados dados de algumas lojas
da cadeia sobre vendas e gastos mensais em propaganda tanto por rádio quanto
por televisão. Os dados estão na planilha Exercício 2.
a. Existe evidência, a 5% de significância, de alguma relação entre os gastos em
cada tipo de propaganda e as vendas?
b. Que tipo de propaganda parece ser mais eficiente em relação ao custo?
c. Qual o nível de explicação do modelo como um todo?

3. Uma empresa que presta serviço de jardinagem está interessada em prever a


quantidade mensal média que será gasta com serviços de jardinagem em uma certa
vizinhança. Uma amostra de vizinhanças é selecionada, e a quantidade média gasta
é registrada, juntamente com o tamanho médio dos terrenos (em lotes), a renda
familiar média e o valor médio das casas. Os dados estão na planilha Exercício
3. Desenvolva e avalie um modelo de Regressão Múltipla para estimar o que
impacta, a 5% de significância, os gastos médios por residência em serviços de
jardinagem.

REFERÊNCIAS
ALAM, M. Using call centers to deliver public services. House of Commons Paper. London: The Stationery
Office Books. 2002.
98 PARTE | II  Métodos de Previsão

BOUZADA, M. O uso de ferramentas quantitativas em call centers – o caso Contax. Orientador: Eduardo
Saliby. Rio de Janeiro: UFRJ/COPPEAD, 2006. Tese (Doutorado em Administração de Empresas).
CORRAR, L.; PAULO, E.; FILHO DIAS, J. Análise multivariada para os cursos de Administração. Ciências
Contábeis e Economia. São Paulo: Atlas, 2007.
GANS, N.; KOOLE, G.; MANDELBAUM, A. Telephone call centers: Tutorial, review and research pros-
pects. Manufacturing and Service Operations Management, v. 5, 2, p. 79-141, 2003.
GROSSMAN, T.; SAMUELSON, D.; OH, S.; ROHLEDER, T. Call centers Encyclopedia of Operations
Research and Management Science. Boston: Kluwer Academic Publishers. 2001, p. 73-76.
HALL, B.; ANTON, J. Optimizing your call center through simulation. Call Center Solutions Magazine,
Oct 1998.
HAWKINS, L.; MEIER, T.; NAINIS, W.; JAMES, H. Planning guidance document for US call centers.
Information Technology Support Center, 2001 Maryland.
KLUNGLE, R.; MALUCHNIK, J. The role of simulation in call center management. MSUG Conference,
1997.
LEVINE, D.; BERENSON, M.; STEPHAN, D. Estatística: Teoria e aplicações. Rio de Janeiro : LTC.2000.
MATAN, O.; NOURBAKHSH, I. Playing the numbers: Using ACD statistics for workforce management.
Telemarketing & Call Center Solutions, Mar. 1998.
MEHROTRA, V. Ringing up big business. OR/MS Today, 24, 4, p. 18-24, Aug. 1997.
MEHROTRA, V.; PROFOZICH, D.; BAPAT, V. Simulation: the best way to design your call center.
Telemarketing & Call Center Solutions, Nov. 1997.
REYNOLDS, P. Forecasting fundamentals: The art and science of predicting call center workload. Tech-
nology Marketing Corporation, Feb 17, 2005 White Paper.
SHEN, H.; HUANG, J. Analysis of call centre arrival data using singular value decomposition. Applied
Stochastic Models in Business and Industry, v. 21, p. 251-63, 2005.
SILVER, M. Estatística para administração. São Paulo: Atlas, 2000.
WEINBERG, J.; BROWN, L.; STROUD, J. Bayesian forecasting of an inhomogeneous poisson process
with applications to call center data. University of Pennsylvania, Jun 2006 White Paper.
Capítulo 6

Prevendo o tempo médio


de atendimento em um call
center por meio de um modelo
de Regressão Múltipla
Marco Aurélio Carino Bouzada
MADE/UNESA

Objetivos de aprendizagem do capítulo


● Saber construir um modelo causal, capaz de explicar o comportamento de uma
grandeza real com base no comportamento de outras variáveis.
● Entender as vantagens de um modelo causal sobre um modelo de série temporal.
● Aprender a quantificar variáveis qualitativas e a incluí-las no modelo por meio de
variáveis dummy.
● Conseguir aferir a capacidade de explicação do modelo.
● Conseguir aferir a capacidade de explicação de cada variável e entender como cada
uma impacta a variável dependente.
● Saber refinar o modelo, tornando-o mais parcimonioso com a retirada de variáveis
pouco explicativas.
● Entender como obter e interpretar a equação capaz de prever a variável dependente.
● Aprender a mensurar o erro de previsão decorrente da utilização de modelo desen-
volvido.

INTRODUÇÃO
Tendo sido conceituados os call centers no Capítulo 5, assim como informados os seus
desafios operacionais, destacou-se que o custo de pessoal nessa indústria representa
aproximadamente 70% do total. A matéria-prima para o processo de gerenciamento
eficiente (níveis satisfatórios de serviço a custos razoáveis) de um call center consiste
na previsão da demanda – tanto em termos da quantidade de ligações quanto do tempo
de atendimento – e da consequente carga de trabalho.
Dessa forma, outra característica operacional que ganha importância e precisa ser
estimada com acurácia para o correto dimensionamento da equipe de atendimento
consiste no tempo médio de atendimento, também conhecida como TMA.

99
100 PARTE | II  Métodos de Previsão

Uma previsão pode ser necessária para dimensionar as operações cotidianas


ou para lidar com situações especiais, como, por exemplo, a implementação de
uma nova tecnologia capaz de afetar não só o volume, mas também o padrão das
chamadas.1
Como o propósito real do processo de previsão é predizer quantos agentes são
necessários para lidar com o volume de chamadas, uma previsão precisa incluir – para
ser completa – não apenas o volume de ligações, mas também a grandeza tempo de
atendimento. Para prever o tamanho da equipe e os planos de horários posteriormente,
é necessária uma fotografia da carga de trabalho, que consiste no número de chamadas
multiplicado pelo TMA.2
O TMA é um dos alvos atacados pelo método proposto por Shen e Brown (2002),
que é aplicado – entre outros propósitos – para modelar o padrão (dependente da hora
do dia) do TMA das chamadas de clientes recebidas no call center de um banco is-
raelense. O entendimento de tal comportamento variável desta grandeza é, na opinião
dos autores, essencial para compreender o ambiente operacional de um sistema, e
também para prever dinamicamente a sua carga de trabalho futura.

O PROCESSO DE PREVISÃO DO TMA NO CALL CENTER


ESTUDADO SEM A REGRESSÃO MÚLTIPLA
Conforme dito no Capítulo 5, a Gerência de Planejamento de Tráfego da empresa
preocupa-se sobretudo em conseguir melhorar as previsões de demanda, mas não só
em termos da quantidade de ligações, como também em termos do TMA.
E a impressão da gerência quanto ao TMA é a mesma no que se refere ao volume
de ligações: o tempo de atendimento para o produto 103 é influenciado pelos eventos
de chegada da conta ao destino e pelo dia do seu vencimento, datas em que haveria
um acesso diferenciado ao serviço por parte dos clientes.
O processo de previsão para o TMA segue os mesmos três passos, descritos no
Capítulo 5, do processo de previsão do volume de chamadas. Mas os eventos es-
peciais capazes de impactar a grandeza a ser prevista podem ser um pouco diferentes:
mudanças no procedimento (roteiro de atendimento), que podem levar o operador a
falar mais ou menos durante o atendimento; mudanças na Unidade de Resposta Audível
(URA); entre outros. Mas, assim como no outro processo, aqui o comportamento dos
ciclos das contas telefônicas dos clientes também consiste em uma informação que
ajuda a previsão.
Sob os olhos de uma análise mais minuciosa, a magnitude do TMA tem variado
muito ao longo do dia, assumindo, na parte da tarde, valores 35 a 40 segundos maiores
que os tempos matutinos, segundo a coordenação da área. A impressão geral é que
isso ocorre, principalmente, pela maior concentração de operadores novos na parte
da manhã. Durante a noite, o TMA é ainda mais alto, principalmente – na opinião da
equipe de previsão – por causa do menor nível de serviço oferecido neste período,
o que pode fazer com que o cliente aguarde mais tempo na fila e reclame a respeito

1. Reynolds (2005).
2. Reynolds (2005); Wise (2006).
Capítulo | 6 Prevendo o tempo médio de atendimento... 101

com o atendente antes de começar a tratar do assunto principal, propriamente dito,


aumentando o tempo de atendimento.

O PROCESSO DE PREVISÃO DO TMA COM A REGRESSÃO


MÚLTIPLA
A ideia novamente consiste em poder contar com uma ferramenta que use as infor-
mações sobre as contas dos clientes no processo de elaboração das previsões. Assim
como anteriormente, o método escolhido foi o da Regressão Múltipla.
As informações em termos da data de chegada ao destino e data de vencimento
das contas foram consolidadas e parcialmente já apresentadas nas Tabelas 5.1e 5.2,
respectivamente.
Para desenvolver o modelo de regressão múltipla para prever o TMA em cada data,
foi preciso ter acesso ao histórico desta grandeza. Por motivo de sigilo estratégico,
esses valores não puderam ser revelados em sua plena magnitude; no entanto, a eles foi
aplicada uma constante de proporcionalidade; os resultados, de julho de 2005 até março
de 2006, fornecidos pela empresa, estão apresentados graficamente na Figura 6.1.
Como se observa, a série não apresenta tendência de crescimento ou decres-
cimento, mas apenas um comportamento errático, dispensando, assim, a inclusão de
uma variável associada à passagem do tempo.
De posse de todas essas informações foi possível montar uma planilha com os
dados necessários para a construção do modelo de Regressão Múltipla dentro do qual
o comportamento da variável dependente TMA em um dia específico poderia es-
tar sendo explicado – inicialmente – por nove variáveis independentes: (i) dia da

FIGURA 6.1  TMA por dia (julho de 2005 a março de 2006).


102 PARTE | II  Métodos de Previsão

semana; (ii) feriado – se o dia específico consiste em um feriado ou não; (iii) chegada
(C) – quantas contas estão previstas para chegarem ao cliente no dia específico; (iv)
vencimento (V) – quantas contas vencem no dia específico; (v) V – 3 – para quantas
contas aquele dia específico corresponde a três dias antes do vencimento, ou, em outras
palavras, quantas contas irão vencer três dias depois da data específica; (vi) V – 2 – para
quantas contas aquele dia específico corresponde à antevéspera do vencimento; (vii)
V – 1 – para quantas contas aquele dia específico corresponde à véspera do vencimento;
(viii) V + 1 – para quantas contas aquele dia específico corresponde a um dia depois do
vencimento, ou, em outras palavras, quantas contas terão vencido na véspera daquela
data específica; e (ix) V + 2 – para quantas contas aquele dia específico corresponde
a dois dias depois do vencimento.
A Tabela 6.1 apresenta, em parte, a planilha de dados em questão.
Cabe salientar que as variáveis independentes dia da semana e feriado foram traba-
lhadas como sendo do tipo dummy (0 = Não; 1 = Sim). Foi criada uma variável dummy
para a ocorrência de feriado e seis variáveis dummy para o dia da semana: domingo,
segunda-feira, terça-feira, quarta-feira, quinta-feira e sexta-feira.
Dessa forma, para o dia 06/08/2005, por exemplo, a variável dummy feriado as-
sumiu o valor 0; e as variáveis dummy domingo, segunda-feira, terça-feira, quarta-feira,
quinta-feira e sexta-feira assumiram o valor 0, caracterizando, portanto e por exclusão,
o dia em questão como sendo um sábado comum (não feriado).
Após a regressão ser executada, a primeira análise aponta para um modelo com
um potencial de explicação bom, já que o R-quadrado ajustado indica que 79%
da variação dos dados podem ser explicados. Neste caso, pode-se inferir a real
influência das variáveis explicativas no tempo médio de atendimento e aceitar o
modelo com elevada confiança, visto que o nível de significância da estatística F
foi igual a 0,0000.
A contribuição de cada variável independente é expressa pelos coeficientes es-
timados, juntamente com os respectivos p-values (ou valores p), apresentados na
Tabela 6.2. Observa-se um altíssimo valor p para a variável Chegada (C), indicando
que a quantidade de contas chegando ao cliente naquele dia específico não pode ser
vista como um bom previsor para o TMA na data em questão.
Apesar de ser uma variável crítica, ela deve ser retirada da análise, pois seu valor
p está muito acima do razoável (10%) e porque o sinal do seu coeficiente angular
(negativo) estaria indicando que o TMA em determinado dia diminuiria para cada
conta que chegasse ao cliente no dia em questão, constituindo um efeito contrário ao
esperado.
As variáveis V – 3 e a V – 2 também apresentam valores p altos, indicando que a
quantidade de contas para as quais aquele dia específico corresponde a dois ou três
dias antes do vencimento não pode ser vista como um bom previsor para o TMA.
O efeito pré-vencimento para o TMA parece, então, começar de forma significativa
apenas na véspera (V – 1).
Assim como a variável Chegada (C), as variáveis V – 3 e V – 2 podem estar
contaminando o modelo e convém retirá-las da análise. Sem ela, um novo modelo de
regressão foi gerado, continuando com um bom potencial, já que 79% da variação dos
dados podem ser explicados por ele.
TABELA 6.1 Planilha de dados do modelo de regressão múltipla para prever o TMA (agosto de 2005)

Dia Dia da semana Feriado? Chegada (C) V – 3 V–2 V–1 Vencimento (V) V + 1 V+2 TMA (seg)
01/08/2005 2ª-feira Não – 2142.215 – – 2.136.197 – – 145,50

02/08/2005 3ª-feira Não 1.918.920 – 2.142215 – – 2.136.197 – 144,00

03/08/2005 4ª-feira Não 2.177.552 – – 2.142.215 – – 2.136.197 144,00

04/08/2005 5ª-feira Não – 1.918.920 – – 2.142.215 – – 147,00

Capítulo | 6 Prevendo o tempo médio de atendimento...


05/08/2005 6ª-feira Não 218.438 – 1.918.920 – – 2.142.215 – 144,75

06/08/2005 Sábado Não – – – 1.918.920 – – 2.142.215 129,00

07/08/2005 Domingo Não – – – – 1.918.920 – – 113,25

08/08/2005 2ª-feira Não – 2.177.552 – – – 1.918920 – 146,25

09/08/2005 3ª-feira Não 2.036.848 – 2.177.552 – – – 1.918.920 148,50

10/08/2005 4ª-feira Não 801.143 798.630 – 2.177.552 – – – 149,25

11/08/2005 5ª-feira Não – – 798.630 – 2.177.552 – – 147,00

12/08/2005 6ª-feira Não – 1.456.656 – 798.630 – 2.177.552 – 141,75

13/08/2005 Sábado Não – – 1.456.656 – 798.630 – 2.177.552 125,25

14/08/2005 Domingo Não – 801.143 – 1456.656 – 798.630 – 110,25

15/08/2005 2ª-feira Não – – 801.143 – 1.456.656 – 798.630 138,75

16/08/2005 3ª-feira Não 296.642 – – 801.143 – 1.456.656 – 142,50

17/08/2005 4ª-feira Não 246.901 296.642 – – 801.143 – 1.456.656 143,25

18/08/2005 5ª-feira Não – – 296.642 – – 801.143 – 142,50

103
(Continua)
104
PARTE | II  Métodos de Previsão
TABELA 6.1 Planilha de dados do modelo de regressão múltipla para prever o TMA (agosto de 2005) (cont.)

Dia Dia da semana Feriado? Chegada (C) V – 3 V–2 V–1 Vencimento (V) V + 1 V+2 TMA (seg)
19/08/2005 6ª-feira Não – – – 296.642 – – 801.143 142,50

20/08/2005 Sábado Não – 246.901 – – 296.642 – – 123,75

21/08/2005 Domingo Não – – 246.901 – – 296.642 – 109,50

22/08/2005 2ª-feira Não – – – 246.901 – – 296.642 139,50

23/08/2005 3ª-feira Não – – – – 246.901 – – 139,50

24/08/2005 4ª-feira Não 2.136.197 – – – – 246.901 – 139,50

25/08/2005 5ª-feira Não – – – – – – 246.901 139,50

26/08/2005 6ª-feira Não – – – – – – – 133,50

27/08/2005 Sábado Não – – – – – – – 118,50

28/08/2005 Domingo Não – – – – – – – 100,50

29/08/2005 2ª-feira Não – 2.136.197 – – – – – 139,50

30/08/2005 3ª-feira Não 2.181.734 – 2.136.197 – – – – 139,50

31/08/2005 4ª-feira Não 1.879401 – – 2.136.197 – – – 145,50


Capítulo | 6 Prevendo o tempo médio de atendimento... 105

TABELA 6.2 Coeficientes estimados das variáveis independentes do modelo


de regressão múltipla para prever o TMA na data em questão

Coeficientes valor-P
Interseção 122,27 0,00%

Domingo (15,17) 0,00%

2ª-feira 15,37 0,00%

3ª-feira 15,20 0,00%

4ª-feira 17,70 0,00%

5ª-feira 17,86 0,00%

6ª-feira 15,11 0,00%

Feriado (29,20) 0,00%

Chegada (C) (0,0000003) 68,35%

V–3 0,0000008 29,97%

V–2 0,0000011 16,89%

V–1 0,0000016 3,44%

Vencimento (V) 0,0000029 0,01%

V+1 0,0000026 0,12%

V+2 0,0000022 0,36%

Os coeficientes de regressão estimados, juntamente com os respectivos valores p,


estão apresentados na Tabela 6.3. Como pode ser observado, os valores p das outras
variáveis não mudaram muito e, para este modelo modificado, apenas uma variável
apresenta coeficiente angular com valor p superior (mas não muito) a 5%: V – 1. No
entanto, será mantida no modelo, porque o valor p do seu coeficiente angular está
abaixo de 10%.
Dessa forma, a retirada das variáveis C, V – 3 e V – 2 foi benéfica ao modelo,
tornando-o mais parcimonioso e permitindo uma interpretação dos coeficientes obtidos.
O primeiro coeficiente corresponde ao valor da variável dependente TMA quando
todas as variáveis independentes assumirem o valor zero; ou seja, quando domingo,
segunda-feira, terça-feira, quarta-feira, quinta-feira, sexta-feira, feriado, V – 1, V, V
+ 1 e V + 2 forem zero – ; quando o dia for sábado, não feriado e não consistir de
nenhuma data dentro do intervalo de quatro dias em torno do vencimento de alguma
conta, o TMA previsto é de 122,64 segundos.
Esse número pode ser considerado uma quantidade básica, à qual devem ser
adicionados os efeitos da ocorrência das variáveis independentes, quantificados através
dos seus respectivos coeficientes angulares.
106 PARTE | II  Métodos de Previsão

TABELA 6.3 Coeficientes estimados das variáveis independentes do modelo


(sem C; V – 3; V – 2) de regressão múltipla para prever o TMA na data em questão

Coeficientes valor-P
Interseção 122,64 0,00%

Domingo (15,15) 0,00%

2ª-feira 15,36 0,00%

3ª-feira 14,96 0,00%

4ª-feira 17,33 0,00%

5ª-feira 17,84 0,00%

6ª-feira 15,03 0,00%

Feriado (28,89) 0,00%

V–1 0,0000012 6,96%

Vencimento (V) 0,0000031 0,00%

V+1 0,0000032 0,00%

V+2 0,0000024 0,04%

Assim, o fato de o dia ser domingo contribui com uma diminuição de 15,15 segun-
dos no TMA previsto em relação ao número básico; o fato de o dia ser segunda-feira,
contribui com um aumento esperado de 15,36 segundos no TMA; se for terça-feira,
com um aumento de 14,96 segundos; se for quarta-feira, com um aumento de 17,33
segundos; se for quinta-feira, com 17,84 segundos a mais; e se for sexta-feira, contribui
com um aumento de 15,03 segundos na previsão do tempo médio de atendimento, em
relação ao dia básico.
Com essas informações, é possível elaborar um gráfico (Figura 6.2), que permite
uma melhor visualização da sazonalidade do dia da semana. A evolução da demanda
de ligações ao longo da semana, considerando dias sem a ocorrência de feriados e
não próximos do vencimento de contas, começa com um valor baixo no domingo,
apresentando um certo aumento na segunda-feira; a demanda vai se mantendo cons-
tante ao longo da semana, tendo uma queda razoável no sábado, antes de voltar ao
patamar de domingo, ainda mais baixo.
De forma análoga aos dias da semana, o fato de um dia ser feriado reduz em 28,89
segundos o TMA previsto. Esta grande redução no tempo médio de atendimento tanto
para feriados como para finais de semana quando comparados aos dias úteis é, de certa
forma, estranha. Em princípio, não foi possível especular os motivos que levariam a
tal variação. A equipe de previsão foi indagada a respeito e também não foi capaz
de justificar o fato. A investigação acerca de tais motivos pode constituir-se em um
interessante objeto de pesquisa futura.
Capítulo | 6 Prevendo o tempo médio de atendimento... 107

FIGURA 6.2  Comportamento sazonal do dia da semana – modelo sem C, V – 3 e V – 2.

Em relação aos dias que circundam a data do vencimento, os seguintes efeitos


podem ser explicados, segundo o TMA: cada conta vencendo no dia seguinte (ou
seja, para as quais a data em questão representa V – 1) aumenta em 0,0000012; cada
conta vencendo no dia em questão aumenta em 0,0000031; cada conta vencendo na
véspera aumenta em 0,0000032; e cada conta vencendo na antevéspera aumenta em
0,0000024.
Naturalmente, os coeficientes não têm apenas significado isolado, mas também
podem e devem ser analisados em conjunto: se as consequências dos efeitos dia da
semana, ocorrência de feriado e data crítica em relação ao vencimento da conta forem
incorporadas ao valor previsto para um dia básico, será possível estabelecer uma
equação para prever o TMA em determinado dia em função das características da
data em questão. Dessa maneira, o TMA pode ser previsto conforme a Equação 6.1.
As sete primeiras variáveis da equação são do tipo dummy, assumindo o valor 0
(não) ou 1 (sim). As quatro últimas representam, respectivamente: a quantidade de
contas vencendo um dia depois; no próprio dia; um dia antes; e dois dias antes.

EQUAÇÃO 6.1  Equação do modelo para prever o TMA


108 PARTE | II  Métodos de Previsão

De posse dessa equação, então, é possível calcular quanto o modelo de regressão


teria previsto para o TMA em cada um dos dias acerca dos quais o histórico dis-
ponibiliza o valor real desta grandeza. Desta forma, pode-se comparar os valores que
teriam sido previstos com os que efetivamente ocorreram, de maneira que um erro de
previsão possa ser mensurado. Esta comparação pode ser visualizada na Figura 6.3.
A diferença entre os valores reais e os gerados pelo modelo também é conhecida
como resíduo. Para ser usado um modelo de Regressão Múltipla, é necessário supor
que a correlação entre os resíduos, ao longo do espectro das variáveis independentes,
é zero; ou seja, que os resíduos são independentes entre si, não apresentando, conse-
quentemente, autocorrelação serial.3
Uma forma de verificar a validade dessa suposição é através do teste de Dur-
bin-Watson. No modelo que está sendo analisado, foi encontrado o valor 1,756 para
a Estatística DW. Esta estatística obtida deve ser comparada com valores críticos que
variam em função do nível de significância do teste, do tamanho da amostra e do
número de variáveis independentes.4
Com 5% de significância, 234 dados na amostra e 11 variáveis independentes, o
valor crítico inferior (dL) obtido foi 1,688 e o valor crítico superior (dU) encontrado
foi 1,885.5

FIGURA 6.3  Valores reais multiplicados por uma constante e previstos pelo modelo para o TMA
por dia (julho de 2005 a março de 2006).

3. Corrar; Paulo; Dias Filho (2007).


4. Corrar; Paulo; Dias Filho (2007).
5. Valores encontrados em tabela disponível no endereço <http://www.stanford.edu/∼clint/ bench/dwcrit.
htm>. Acesso em 18/08/2009.
Capítulo | 6 Prevendo o tempo médio de atendimento... 109

FIGURA 6.4  Resíduos do modelo X variável dummy Domingo.

Como o valor obtido para a Estatística DW (1,756) se situa entre os dois valores
críticos encontrados, o teste para verificar a existência de autocorrelação dos resíduos é
não conclusivo: não é possível garantir que os resíduos são independentes, mas também
é incorreto afirmar que existe uma relação de dependência entre eles.6
Sendo assim, parece válido examinar o gráfico do resíduo contra cada variável
independente a fim de procurar uma suposta autocorrelação e a identificação de uma
eventual lei de formação nos valores dos resíduos à medida que o valor da variável
independente avança. A Figura 6.4 ilustra o caso da variável dummy domingo. Como
pode ser observado, não parece existir uma lei de formação; ou seja, a magnitude dos
resíduos não parece depender do valor da variável independente (domingo).
Os resíduos apresentaram comportamento bem parecido em relação às outras
variáveis dummy (feriado e as referentes aos outros dias da semana). E visto que o
modelo trabalha com 11 variáveis independentes, seria, de certa maneira, inviável
apresentar aqui tal quantidade de gráficos. Desta forma, será apresentada graficamente
apenas a relação entre os resíduos e a outra variável independente mais marcante:
Vencimento (Figura 6.5).
O comportamento dos resíduos em relação às outras variáveis (V – 1, V + 1 e V = 2)
é bastante similar ao verificado na Figura 6.5: parecem estar distribuídos aleatoriamente
em torno do eixo das abscissas, não apresentando nenhuma tendência.
Tudo isso gera uma segurança maior para os resultados do modelo, já que o teste
para a verificação de autocorrelação serial dos resíduos foi não conclusivo. É claro
que esta última análise é meramente visual, carecendo de um cientificismo maior. Mas
é importante proceder dessa forma principalmente em situações em que os critérios

6. Corrar; Paulo; Dias Filho (2007).


110 PARTE | II  Métodos de Previsão

FIGURA 6.5  Resíduos do modelo X variável Vencimento.

objetivos apontam para uma indefinição, como foi o caso. Em relação à qualidade
preditiva do modelo, foi possível perceber, na Figura 6.3, excluindo alguns pontos
específicos, uma boa aderência visual dos valores previstos em relação aos dados reais.
Esta aderência foi aqui formalizada através do MAPE (Mean Absolute Percentual
Error), ou erro médio percentual absoluto.
A título de ilustração, a Tabela 6.4 apresenta dados relativos ao mês de janeiro de
2006, em que constam o TMA real, os valores que o modelo de regressão teria previsto
para esta grandeza, assim como os erros percentuais absolutos oriundos desta previsão.
Pode-se calcular que o modelo teria errado em 4,2%, em média, na previsão do TMA
durante o mês em questão.
Mas janeiro é um mês atípico, com comportamento geralmente mais difícil de
prever, sobretudo nos primeiros dias. Tal afirmação pode ser verificada neste exemplo
particular a partir da Figura 6.6, na qual é possível perceber que todos os outros meses
relacionados, com exceção de dezembro, outro período atípico, apresentam erros
médios de previsão menores do que o erro médio de janeiro de 2006.
Em média, o modelo está incorrendo em erro de previsão da ordem de 3,61%, valor
satisfatoriamente baixo. Antes de compará-lo com o erro obtido pelo processo-padrão
de previsão, é válido lembrar, por exemplo, que, durante este processo, os analistas
recebem os valores previstos pelo software e acrescentam a eles os impactos esperados
por eventos e premissas, como o comportamento do ciclo de contas e a ocorrência de
feriados, assim como outros eventos especiais relacionados ao produto, como o plano
de minutos, campanhas na mídia e outros potenciais aspectos impactantes.
Ora, o modelo de regressão proposto visa substituir apenas os valores sugeridos
pelo software, acrescidos da influência dos feriados e do comportamento dos ciclos de
contas; não se teve por pretensão substituir o papel do analista encarregado da previsão,
Capítulo | 6 Prevendo o tempo médio de atendimento... 111

TABELA 6.4 Valores reais, previstos e erros do modelo de regressão múltipla


para prever o TMA (janeiro de 2006)

Dia da TMA (seg) Previsto Erro de


Dia semana Feriado? TMA (seg) pelo modelo) previsão
01/01/2006 Domingo Sim 93,00 78,60 15,5%
02/01/2006 2ª-feira Não 138,75 137,99 0,5%
03/01/2006 3ª-feira Não 141,75 137,60 2,9%
04/01/2006 4ª-feira Não 146,25 139,97 4,3%
05/01/2006 5ª-feira Não 145,50 140,48 3,5%
06/01/2006 6ª-feira Não 145,50 137,67 5,4%
07/01/2006 Sábado Não 134,25 122,64 8,6%
08/01/2006 Domingo Não 116,25 107,49 7,5%
09/01/2006 2ª-feira Não 150,00 137,99 8,0%
10/01/2006 3ª-feira Não 149,25 137,60 7,8%
11/01/2006 4ª-feira Não 149,25 139,97 6,2%
12/01/2006 5ª-feira Não 144,00 140,48 2,4%
13/01/2006 6ª-feira Não 141,75 137,67 2,9%
14/01/2006 Sábado Não 126,75 122,64 3,2%
15/01/2006 Domingo Não 108,00 107,49 0,5%
16/01/2006 2ª-feira Não 140,53 137,99 1,8%
17/01/2006 3ª-feira Não 138,33 137,60 0,5%
18/01/2006 4ª-feira Não 137,94 139,97 1,5%
19/01/2006 5ª-feira Não 137,13 140,48 2,4%
20/01/2006 6ª-feira Não 129,92 137,67 6,0%
21/01/2006 Sábado Não 119,52 122,64 2,6%
22/01/2006 Domingo Não 103,92 108,36 4,3%
23/01/2006 2ª-feira Não 135,62 140,21 3,4%
24/01/2006 3ª-feira Não 134,42 139,84 4,0%
25/01/2006 4ª-feira Não 134,69 141,70 5,2%
26/01/2006 5ª-feira Não 137,07 140,48 2,5%
27/01/2006 6ª-feira Não 135,58 137,67 1,5%
28/01/2006 Sábado Não 122,99 122,64 0,3%
29/01/2006 Domingo Não 107,68 107,49 0,2%
30/01/2006 2ª-feira Não 133,53 137,99 3,3%
31/01/2006 3ª-feira Não 127,10 140,22 10,3%
112 PARTE | II  Métodos de Previsão

FIGURA 6.6  Erro médio mensal do modelo de regressão múltipla para prever o TMA (julho de
2005 a fevereiro de 2006).

dotado de toda a sua valiosa experiência e subjetividade, mas, sim, fornecer-lhe um


subsídio complementar para a tomada de decisão. Assim, e já que o analista estará
apto a acrescentar aos valores sugeridos pelo modelo de regressão os impactos que
julgar relevantes, é mais justo comparar os erros de previsão do modelo aqui proposto
com os erros oriundos do módulo de previsão do software, com o intuito de verificar
a ocorrência ou não de melhorias no processo.
Assim sendo, o MAPE do software para o mesmo período analisado foi de 5,58%,
razoavelmente superior, portanto, aos 3,61% do modelo de regressão.
Além disso, uma análise mais detalhada dos erros de previsão do modelo proposto
revela que alguns dos dias mais difíceis de prever e, portanto, com erros de previsão
potencialmente maiores, consistem em feriados ou datas que se comportam quase como
um feriado. Por exemplo, os dias 24/12/2005 e 31/12/2005 não foram classificados
como feriados, mas, certamente também não são dias comuns e devem gerar um TMA
diferente daquele de um dia-padrão. O problema é que o modelo de regressão não levou
em conta isso, já que era possível classificar um dia apenas como sendo feriado ou
não; e já que esses dias não eram efetivamente feriados, foram tratados pelo modelo
como dias comuns.
Problemas semelhantes, mas talvez em menor escala, certamente ocorreram em
alguns dias do ano que consistiram em feriados locais, mas não nacionais. Como
o modelo propõe uma previsão consolidada do TMA, só foi possível considerar
os feriados nacionais; por exemplo, o dia 20/01/2006, um feriado local na Cidade
do Rio de Janeiro, teve uma alteração no TMA nacional provocada pela alteração
no TMA na cidade mas, ao ser tratado como um dia normal pelo modelo, teve seu
TMA mal estimado. Este problema também se observa nos feriados prolongados
Capítulo | 6 Prevendo o tempo médio de atendimento... 113

e nos dias que se situam entre um feriado e o fim de semana, em que o TMA foge
do padrão.
Um problema ainda mais grave ocorreu com o dia 25/12/2005. Seu erro de previsão
foi muito alto porque o dia em questão apresentava dois efeitos redutores de TMA, que
foram somados pelo modelo de natureza aditiva: ser domingo e ser feriado. Mas, na
prática, o efeito de um dia ser feriado certamente é reduzido se ele cair em um domingo
ou sábado; e o modelo não levou isso em consideração, até porque só é possível consi-
derar um dia como sendo feriado ou não, e não como uma espécie de feriado moderado.
Na verdade, esses problemas aumentaram os erros de previsão, mas isso não
quer dizer que o processo futuro de previsão terá que incorrer nesses erros de grande
magnitude quando ocorrerem dias com comportamentos diferentes. Na prática, quando
os analistas de previsão estiverem utilizando o modelo aqui proposto, eles poderão
manipular os valores da variável dummy feriado para os dias diferentes do padrão.
Assim, por exemplo, o dia 24/12 pode receber manualmente o valor 0,7 para a sua
variável feriado, em vez de ser tratado como um dia normal; o dia 20/01 pode receber
o valor 0,4 da mesma forma; um feriado que caia em um domingo pode ter o seu valor
da variável feriado reduzido de 1 para 0,6.
Depois dessa manipulação, basta considerar as informações do setor de faturamento
da Telemar sobre os ciclos de contas e usar a Equação 1 apresentada anteriormente
para prever o TMA para o produto 103, a cada dia. Uma vez gerados os outputs da
equação, os analistas podem incorporar os impactos esperados pelos eventos especiais,
como implantação de novos serviços, mudanças no roteiro de atendimento etc. e, desta
forma, reduzir substancialmente os erros de previsão.

EXERCÍCIOS
1. A planilha Exercício 1 relaciona diversas características de 151 automóveis, assim
como seus preços de mercado (em US$).
a. Construa um modelo de Regressão Múltipla para explicar o comportamento da
variável preço em função das variáveis relacionadas ao desempenho do carro.
b. O modelo ficou bom? Todas as variáveis são bons “explicadores lineares” do
comportamento do preço, a 10% de significância?
c. Retire alguma(s) variável(is) que não esteja(m) explicando muito bem o preço
e refaça a regressão. Avalie o novo modelo.

2. A companhia que vende leite deseja conhecer uma possível relação entre as quanti-
dades vendidas e o valor investido em propaganda no mês. A planilha Exercício 2
apresenta os valores relativos aos últimos 14 meses. Sabe-se que a empresa en-
frentou uma greve do quinto ao sétimo mês.
a. Ignore a informação da greve e rode uma Regressão Simples para explicar a
quantidade vendida em função do investimento em propaganda.
b. Refaça a Regressão Simples, eliminando os meses de greve. Avalie o resultado.
c. Trate a greve como uma variável dummy e faça uma Regressão Múltipla.
Quanto seria vendido em um mês normal, em que fossem investidos R$ 1.000
em propaganda?
114 PARTE | II  Métodos de Previsão

3. A planilha Exercício 3 mostra a demanda de energia e a temperatura (em oF) para


diversos dias e períodos do dia em determinada região.
a. Construa um modelo de Regressão Múltipla para prever a demanda horária
de energia elétrica em função do período do dia (madrugada, manhã, tarde ou
noite), do dia da semana e da Temperatura (oF). Avalie o modelo.
b. Quanto seria a demanda das 14 às 15 horas de uma quarta-feira, com tempera-
tura média de 80oF?
c. E de 20 às 21 horas de um sábado, com temperatura média de 15oF?

REFERÊNCIAS
CORRAR, L.; PAULO, E.; DIAS FILHO, J. Análise multivariada para os cursos de Administração, Ciências
Contábeis e Economia. São Paulo: Atlas. 2007.
REYNOLDS, P. Forecasting fundamentals: The art and science of predicting call center worload. Technology
Marketing Corporation, White Paper, Feb. 17, 2005. <http://www.tmcnet.com/channels/workforce-op-
timization/workforce-optimization-articles/forecasting-call-center-workload.htm>.
SHEN, H.; BROWN, L. Nonparametric regression and confidence bands with longnormal errors and
application to bank call center data. In: JOINT STATISTICAL MEETINGS, 2002, New York. Procee-
dings. New York: JSM, 2002. p. 1-19.
WISE, R. The Visible Difference: Making informed decisions with workforce management. IEX Corpora­tion,
White Paper, Nov. 2006. <http://www.iex.com/white-papers/workforce-management-best-practices/
the-visible-difference-making-informed-decisions-with-workforce-management.html>.
Apêndice

Tutorial sobre Decomposição


Clássica
Marco Aurélio Carino Bouzada
MADE/UNESA

Objetivos de aprendizagem do apêndice


● Aprender a prever os valores futuros de uma grandeza com base apenas no seu
complexo comportamento histórico.
● Conhecer os componentes mais comuns das séries temporais.
● Saber isolar cada um desses componentes e entender a influência deles no compor-
tamento da grandeza estudada.
● Aprender a estimar o comportamento futuro de cada um desses componentes.
● Conseguir agrupar todos esses componentes novamente para prever a grandeza
estudada.
● Entender a influência do acaso no comportamento da série temporal e utilizar esse
conhecimento para construir cenários pessimistas e otimistas de previsão.

Muitas grandezas apresentam um comportamento bastante irregular ao longo do tempo.


Por exemplo, a venda de determinado produto ao longo de um mês em determinada
filial de uma loja; ou a temperatura ao longo do dia em um determinado bairro; ou a
intensidade pluviométrica ao longo do ano em uma determinada cidade; entre outras.
Ao observarmos esse comportamento irregular (através de gráficos, por exemplo),
podemos imaginar a dificuldade em encontrar um padrão de comportamento para a
grandeza em voga. Sem identificar esse padrão de comportamento, fica muito difícil,
por exemplo, fazer um exercício de previsão acerca do futuro da grandeza.
Imaginemos que o Gráfico 1 representa o consumo de energia elétrica no Brasil ao
longo das semanas. Esse comportamento irregular pode parecer desprovido de padrão
mas, como veremos mais adiante, não é exatamente o que ocorre.
O método apresentado a partir de agora é conhecido como Decomposição Clássica
e tem como objetivo entender o comportamento (decompondo-o) das grandezas ao
longo do tempo, de modo a auxiliar na previsão para os valores futuros das grandezas.
A irregularidade no comportamento das grandezas normalmente é resultado de
diversos componentes. No exemplo do consumo de energia elétrica (Gráfico 1), esta
115
116 Apêndice

GRÁFICO 1  Consumo de energia elétrica no Brasil.

grandeza varia ao longo do tempo em função da sazonalidade, da tendência, do ciclo e


de componentes aleatórios. Estes componentes aparecem em parte dos comportamentos
irregulares apresentados pelas grandezas. Nesses casos, a Decomposição Clássica é o
método de previsão mais adequado, já que é nesses elementos que as grandezas são
decompostas neste método. A seguir, esses componentes são explicados.

SAZONALIDADE (S)
Explica o comportamento cíclico (ao longo de um ano ou intervalo menor) das gran-
dezas, muitas vezes sendo resultado de suas variações em função das estações do ano
(por exemplo: venda de sorvetes, consumo de energia elétrica). Nestes casos, o padrão
de sazonalidade é mensal ou trimestral ao longo do ano. A venda de sorvetes no Brasil,
por exemplo, é bem grande no primeiro trimestre de cada ano, diminui no segundo,
atinge seu menor valor no terceiro e volta a aumentar no quarto.
Mas a sazonalidade pode se manifestar de forma diferente da mensal/semanal e/
ou não ser fruto das variações climáticas. Exemplos:
● as vendas semanais de uma empresa ao longo do mês – que podem ser maiores nas
últimas semanas e menores nas primeiras em razão do cumprimento de cotas por
partes dos vendedores;
● consumo diário de bebida alcoólica nos bares ao longo da semana – que é maior nos

últimos dias da semana e menor nos primeiros por causa do movimento nos bares;
● a intensidade de tráfego por hora ao longo do dia – que apresenta picos nos horários

de “rush” – de manhã cedo e no fim da tarde.

TENDÊNCIA (T)
As grandezas, em boa parte das vezes, apresentam uma tendência de comportamento
em relação à variável tempo. Assim, nesses casos, elas revelam um comportamento que
tende a ser maior (na maioria das vezes) ou menor à medida que o tempo passa. Esta
Apêndice 117

tendência, normalmente, é consequência do aumento da população e/ou da evolução


tecnológica/científica, mas também pode ser fruto de outras causas, como o aumento
gradativo da temperatura na Terra ou até mesmo de mudanças no comportamento
cultural das sociedades.
Dessa forma:
● a receita de vendas de uma empresa tende a crescer por causa do aumento da
população;
● o percentual de óbitos em uma cidade tende a diminuir por causa da evolução

científica;
● o percentual de mulheres trabalhando fora de casa tende a aumentar por causa de

modificações culturais.
E, por causa disso, é de se esperar, a priori, que a receita de vendas de uma empresa
tenha sido maior em 2001 do que em 1982; e que o percentual de óbitos em uma cidade
tenha sido menor em 2010 do que em 1950.

CICLO (C)
Parte do comportamento irregular das grandezas pode ser atribuída ao ciclo, que
se manifesta na forma de flutuações semelhantes a ondas em torno das tendências,
que têm duração maior do que um ano, mas que não têm a exata periodicidade que
caracteriza o padrão sazonal. A identificação das épocas em que ocorrem os picos e
depressões destas ondas sugere seu relacionamento com a flutuação geral da atividade
econômica – o chamado ciclo econômico.
Portanto, mesmo que uma grandeza não revele sazonalidade nem tendência quando ob-
servada a sua variação em relação ao tempo, ainda assim pode apresentar um comportamento
cíclico não aleatório, que pode ser visualizado, entendido e decomposto de modo a ser usado
num futuro exercício de previsão. O montante per capita de dinheiro gasto em restaurantes
em São Paulo, por exemplo, não apresenta, a princípio, nenhum padrão sazonal e nenhuma
tendência de crescimento ou redução ao longo do tempo; mas seu comportamento pode ser
explicado pela variação do nível econômico e ter sua variação atribuída exclusivamente
ao ciclo (além de a componentes aleatórios). Se for esperada uma atividade econômica de
intensidade em 2006 maior do que em 1999 e menor do que em 2003, há de se prever que
a grandeza em questão seja maior em 2003 e menor em 1999 (com um valor intermediário
para 2006), independente do mês do ano.

COMPONENTES ALEATÓRIOS (A)


Se expurgarmos os efeitos sazonais, cíclicos e de tendência de uma série que revele
o comportamento de uma grandeza ao longo do tempo, o restante da sua variação é
denominado flutuação residual e pode ser considerado como proveniente de compo-
nentes aleatórios. Esta flutuação residual também pode ser entendida como oriunda
de situações indistinguíveis, já que a sazonalidade, a tendência e o ciclo foram consi-
derados como situações distinguíveis.
Como dito anteriormente (e será detalhadamente explicado a partir de agora, com
o auxílio do exemplo da venda de lubrificantes no Brasil e da planilha Decomposição
118 Apêndice

clássica.xls), o método de Decomposição Clássica isola os efeitos (sazonalidade,


tendência, ciclo e componentes aleatórios) que geram a irregularidade do comporta-
mento das séries temporais, prevê seu comportamento (de cada efeito, isoladamente)
no futuro e, novamente, agrupa esses efeitos de forma a obter a melhor previsão para
o futuro da série temporal.
A série temporal pode, então, ser representada da seguinte forma:
R = S× T× C× A
em que R é o valor real da grandeza e os fatores são os efeitos mencionados ante-
riormente

O MÉTODO DA DECOMPOSIÇÃO CLÁSSICA


Ao abrirmos a planilha Decomposição clássica.xls, podemos observar a série de dados
históricos que representa a venda de lubrificantes no Brasil, por trimestre, entre 1983 e
1999. O primeiro passo para a elaboração de uma previsão baseada em dados passados
é fazer um gráfico da série histórica, de modo a melhor perceber o seu comporta-
mento. Fazemos isso pressionando o botão Executar passo da planilha.
Ao observarmos o gráfico, podemos verificar uma flutuação muito grande dos
dados, além de uma tendência relativamente nítida de crescimento. Para decompor-
mos a série nos seus quatro efeitos já mencionados – tendência, ciclo, componentes
aleatórios e sazonalidade –, vamos começar por este último.
Os dados são apresentados em trimestres e parece que é nessa unidade de tempo
que a sazonalidade se manifesta. Se compararmos as vendas totais do ano de 1984
com as vendas totais dos anos de 1985, podemos entender que essa comparação está
livre de sazonalidade, porque ambos os anos têm um primeiro trimestre, um segundo
trimestre, um terceiro trimestre e um quarto trimestre, eliminando as diferenças devidas
a esse efeito. Na verdade, considerando o intervalo de um ano, boa parte do efeito
aleatório é anulada, porque os componentes positivos e negativos tendem a se anular
ao longo de um ano.
Entretanto, é interessante continuarmos trabalhando na mesma grandeza dos dados
originais – a venda trimestral. Para tal, não lidaremos com a venda anual, mas, sim,
com a média móvel de quatro períodos (trimestres). Assim, a primeira média móvel
será a média de vendas do primeiro ao quarto trimestres; a segunda média móvel será
a média de vendas do segundo ao quinto trimestres; e assim por diante. Podemos
observar que cada uma dessas médias móveis contém um primeiro trimestre, um
segundo trimestre, um terceiro trimestre e um quarto trimestre, anulando o efeito da
sazonalidade.
Nosso próximo passo é, então, calcular essas médias móveis, pressionando no­
vamente o botão Executar passo da planilha (esse procedimento deverá ser repetido
sempre que estiver sendo indicado o próximo passo). A fórmula das médias móveis
pode ser observada na planilha. A rigor, a primeira média móvel se situa entre o
segundo e o terceiro trimestres (ponto médio do intervalo), a segunda entre o terceiro
e o quarto trimestres, e assim por diante. Para efeito de apresentação, elas foram
colocadas “meia linha” acima na planilha, ou seja, a primeira média móvel na segunda
linha, a segunda média móvel na terceira linha, e assim por diante.
Apêndice 119

Para fazer esse ajuste, é necessário avançar para o passo seguinte, que consiste em
calcular as médias móveis centradas. A média móvel centrada corresponde à média
entre duas médias móveis consecutivas e se situa no ponto médio entre elas (sua fórmula
pode ser observada). Assim, a primeira média móvel centrada se situa na terceira linha
(já que consiste na média das duas primeiras médias móveis – situadas entre a segunda
e a terceira linhas, e entre a terceira e a quarta linhas, respectivamente); a segunda
média móvel centrada na quarta linha; e assim por diante.
O próximo passo é plotar as médias móveis centradas no gráfico, de modo a
observar como seu comportamento está livre da sazonalidade (e de boa parte dos
componentes aleatórios também). Observamos que a flutuação da série diminuiu bas-
tante e podemos concluir que a sua variação é fruto da tendência e do ciclo econômico.
Esta conclusão pode ser mais bem entendida – ao consideramos que a média móvel
consiste nos dados originais (R), sem o efeito da sazonalidade e dos componentes
aleatórios – através da fórmula:

S× T× C× A
Média Móvel = = T× C
S× A
Como se trata de um exercício de decomposição, está na hora de decompor a média
móvel (T × C) em tendência (T) e ciclo (C). Para tal, devemos executar o próximo
passo, que é determinar a tendência. Isso é feito a partir da opção (do Excel) de
adicionar uma linha de tendência à série da média móvel centrada. A reta plotada é
crescente (revelando uma tendência positiva, provocada, provavelmente, pelo aumento
da população brasileira e do seu poder aquisitivo no período da série) e pode ser re-
presentada pela equação y = 61,324x – 118.654. Esta reta explica, aproximadamente,
72% dos dados (R2 = 0,7238; que pode ser considerado um bom nível de explicação)
que compõem a série das médias móveis centradas.
O próximo passo é quantificar os valores dessa reta de tendência, de modo que
possamos ter dados para cada um dos trimestres do período considerado. Essa quanti-
ficação é realizada por meio da equação da reta, anteriormente apresentada, que pode
ser observada nas fórmulas da planilha.
Essa quantificação é importante como preparação para o próximo passo, a deter-
minação dos resíduos cíclicos. Como sabemos, a média móvel consiste nos efeitos
da tendência e do ciclo. Portanto, se eliminarmos o efeito da tendência (T), teremos
apenas os resíduos cíclicos (C):

Média Móvel T × C
= =C
T T
Essa relação também pode ser observada nas fórmulas da planilha. Esses resíduos
cíclicos consistem, na verdade, de flutuações em torno da tendência, resultantes da
maior ou menor intensidade do ciclo econômico. Assim, o primeiro trimestre de 1986
viveu uma situação de baixa intensidade do ciclo econômico (88,7%), reduzindo em
11%, aproximadamente, o nível de vendas projetado pela tendência para esse período.
Analogamente, o segundo trimestre de 1989 experimentou uma forte intensidade
econômica (109,3%), aumentando em 9%, aproximadamente, o nível de vendas
projetado pela tendência para este período.
120 Apêndice

Essas flutuações podem ser mais bem evidenciadas depois de executado o passo
seguinte: elaboração do gráfico dos resíduos cíclicos. Nesse gráfico, a tendência está
representada pela linha horizontal de 100% e os resíduos podem ser observados como
flutuações em torno dessa linha. Assim, pode-se ver que o pico econômico ocorreu
no terceiro trimestre de 1965 (118,7%) e o menor nível do ciclo aconteceu no terceiro
trimestre de 1983 (77,8%).
Com a média móvel, reunimos os efeitos da tendência (T) e do ciclo econômico
(C), conforme já constatado. Se dividirmos os valores originais (R) pelos valores da
média móvel, ficaremos apenas com o efeito da sazonalidade e dos componentes
aleatórios, já que:
R S× T× C× A
= = S× A
Média Móvel T× C
E é esse o próximo passo: a avaliação do efeito da sazonalidade e dos componentes
aleatórios. As fórmulas podem ser observadas na planilha.
Assim como fizemos anteriormente, ao separarmos os efeitos da tendência dos efei-
tos do ciclo, nós o faremos com o efeito da sazonalidade e dos componentes aleatórios.
Começaremos calculando os índices sazonais (são quatro: um para cada trimestre),
que representam variações relativas entre os trimestres. A média de todos os índices
sazonais deve ter sempre o valor 1, já que, ao considerarmos o período de sazonalidade
(neste caso, o ano inteiro), o efeito sazonal deve sumir (conforme já mencionado).
Ao agruparmos todos os valores (de S × A) por trimestre e tirarmos sua média,
obteremos os índices sazonais, pois os componentes aleatórios tendem a se anular ao
juntarmos 15, 20 valores, e o resultado é proveniente apenas de efeitos sazonais. Na
verdade, é conveniente, no cálculo dessas médias, eliminar os valores extremos (o
menor e o maior) dos grupos de modo a se evitar considerar outliers (originados por
fatores como greves e incêndios), já que um desvio muito grande pode distorcer uma
média adequada.
Assim, o índice sazonal do primeiro trimestre consiste na média dos valores (de
S x A) dos primeiros trimestres (com exceção do menor e do maior). A fórmula é
análoga para os outros trimestres e pode ser observada na planilha após a execução do
passo seguinte (cálculo dos índices sazonais). Esses índices se repetem, já que existe
apenas um índice sazonal para o primeiro trimestre, um índice sazonal para o segundo
trimestre, e assim por diante.
Como a média utilizada é modificada (em função da exclusão dos valores ex-
tremos), é necessário executar o próximo passo e ajustar os índices sazonais. Este
ajuste consiste em dividir cada índice sazonal pela média dos quatro índices (conforme
fórmulas na planilha) de modo a fazer com que sua média seja igual ao valor 1. Pelo
fato de as médias não terem contido os valores extremos, a média dos índices sazonais
ficou, nesse caso, um pouco maior do que 1 (1,001), devendo os índices ser ajustados
(reduzidos) por esse fator.
Nesse momento, podemos observar que os maiores índices sazonais ocorrem no
segundo e no quarto trimestres, respectivamente. Esse comportamento pode ser enten-
dido através do fato de as distribuidoras de petróleo trabalharem com cotas semestrais
de vendas, deslocando os picos de venda para os finais dos semestres.
Apêndice 121

Analogamente à separação dos efeitos do ciclo dos efeitos da tendência, a separação


da sazonalidade dos componentes aleatória é mais bem visualizada graficamente. O
passo seguinte consiste em elaborar os gráficos dos componentes aleatórios, um para
cada trimestre. Assim, no gráfico do primeiro trimestre, a reta horizontal representa
o índice sazonal do primeiro trimestre e a flutuação dos valores (de S x A) em torno
dela é explicada exclusivamente por componentes aleatórios. Para os outros trimes-
tres, a ideia é a mesma.
Naturalmente, o próximo passo é calcular os componentes aleatórios, na forma de
uma divisão dos valores (de S x A) pelos índices sazonais (S), conforme as fórmulas
na planilha e a seguir:
R 1 S× A
× = =A
Média Móvel S S
Esses componentes aleatórios devem ser mais bem observados em uma distribuição
acumulada de probabilidade (cuja elaboração consiste no passo seguinte), já que serão
utilizados na confecção de uma previsão probabilística de vendas, conforme veremos
mais adiante. Assim, ao analisarmos alguns pontos notáveis desse gráfico, podemos
concluir que: existem 47% de probabilidade de o componente aleatório ser menor do
que 100%, ou seja, de o valor real futuro de venda ser inferior ao da previsão pontual1
(desconsiderando os componentes aleatórios); e que existem 5% de probabilidade de
o componente aleatório ser maior do que 109%.
Para fazermos uma previsão de vendas para o futuro, imaginaremos que o padrão
sazonal se manterá no período previsto. Assim, o próximo passo é repetir os índices
sazonais para os trimestres futuros.
É de se esperar, também, que a tendência se manifeste – no período previsto – da
mesma forma que se manifestou no passado. Desta forma, o passo seguinte consiste
na extrapolação da tendência futura. Podemos observar que os valores da tendência
são resultado da mesma fórmula que compôs os valores passados.
O próximo passo (preenchimento dos valores futuros do ciclo econômico) requer
um pouco de informações, bom senso e imaginação por parte do previsor, já que não
há motivos para crer que essa variável apresente, no futuro, o mesmo padrão de com-
portamento do passado. Desta forma, o previsor pode consultar especialistas da área
econômica, ou adotar um valor único que represente a intensidade com a qual o ciclo
econômico se manifestará no período previsto (este valor pode ser a média dos valores his-
tóricos ou um outro valor que o previsor julgue ser mais representativo do comportamento
futuro). No nosso exemplo, o previsor reuniu informações que o levaram a considerar que:
● o ano de 2000 apresentaria um nível econômico um pouco mais intenso (88%) que
o de 1999;
● esse nível cairia para 83% em 2001;

● esse nível subiria para 95% em 2002.

1 A previsão de vendas pontual ignora os componentes aleatórios, é realizada compondo-se os efeitos de


sazonalidade, tendência e ciclo e será elaborada a partir de agora, para o período de 2000 a 2002 (três anos
ou 12 trimestres).
122 Apêndice

A composição das vendas futuras é executada no passo seguinte, simplesmente


agrupando (compondo) os três fatores: T x C x S, fórmula que pode ser observada na
planilha. Essa é a previsão pontual, que ignora o efeito dos componentes aleatórios.
A previsão probabilística de vendas considera esse efeito (e reproduz da mesma
forma que na pontual o comportamento dos outros três efeitos) e será ilustrada por
três cenários:
● Pessimista, confeccionado no passo seguinte, em cor vermelha, para o qual o
componente aleatório escolhido foi o segundo menor (para retirar o valor extremo)
entre os dados históricos (84,9%). Ao observarmos esse valor na distribuição
acumulada de probabilidade, podemos perceber que vendas reais inferiores a esses
valores previstos têm menos de 3% de probabilidade de ocorrer.
● Otimista, confeccionado no próximo passo, em cor verde, para o qual o componente

aleatório escolhido foi o segundo maior (para retirar o valor extremo) entre os
dados históricos (110,3%). Ao observarmos esse valor na distribuição acumulada
de probabilidade, podemos perceber que vendas reais superiores a esses valores
previstos têm, aproximadamente, 5% de probabilidade de ocorrer.
● Meio-termo, confeccionado no passo seguinte, em cor amarela, para o qual o

componente aleatório escolhido foi o valor 104,2%. Ao observarmos esse valor


na distribuição acumulada de probabilidade, podemos perceber que vendas reais
inferiores a esses valores previstos têm, aproximadamente, 72% de probabilidade
de ocorrer.
O último passo consiste em plotar esses cenários (juntamente com a previsão
pontual) no gráfico de vendas, de modo a comparar os possíveis comportamentos
futuros dessa grandeza com o seu comportamento histórico. O previsor pode e deve,
inclusive, observar entre que faixas de valores as vendas se situarão no futuro, e com
que probabilidade de ocorrência.

EXERCÍCIOS
1. A planilha Exercício 1 relaciona as vendas mensais de todo o varejo dos Estados
Unidos (em bilhões de dólares) de janeiro de 1984 a julho de 1993. Faça a previsão
do comportamento dessa grandeza para os dois anos seguintes.

2. A planilha Exercício 2 relaciona as vendas mensais de uma cadeia de lojas de


departamento de janeiro de 1993 a dezembro de 1995 no Brasil. Faça a previsão
do comportamento dessa grandeza para os dois anos seguintes.

3. A planilha Exercício 3 relaciona as vendas mensais (em unidades) de uma cadeia


de lojas de artigos femininos de janeiro de 1986 a dezembro de 1992 no Brasil.
Faça a previsão do comportamento dessa grandeza para os dois anos seguintes.

4. A planilha Exercício 4 relaciona as vendas mensais (em 1.000m3) de óleo diesel no


Brasil de janeiro de 1984 a setembro de 1994. Faça a previsão do comportamento
dessa grandeza para os dois anos seguintes.
Apêndice 123

5. A planilha Exercício 5 relaciona a produção mensal (em 1.000 litros) de cerveja na


Austrália de janeiro de 1956 a agosto de 1995. Faça a previsão do comportamento
dessa grandeza para os dois anos seguintes.

REFERÊNCIAS
BOUZADA, M. Ensinando a decomposição clássica de forma não tão clássica. In: ENCONTRO DE EN-
SINO E PESQUISA EM ADMINISTRAÇÃO E CONTABILIDADE (ENEPQ), 2., 2009, Curitiba.
Anais... Curitiba: ANPAD, 2009.
TAVARES, L.; OLIVEIRA, R.; THEMIDO, I.; CORREIA, F. Investigação operacional. Lisboa:
McGraw-Hill. 1996.